Qwen-Audio-3.1：能听懂、能创作、能聊天

今天，阿里正式发布 Qwen-Audio-3.1 系列语音大模型。本次升级不仅对语音识别（ASR）、语音合成（TTS）和实时语音交互（Realtime）三大核心模型进行了全面进化，更重磅推出了全新的音频创作模型 Qwen-Audio-3.1-TTS-Next 和音频理解模型 Qwen-Audio-3.1-ASR-Next。

五款全新的语音模型同时推出，形成了一套覆盖“理解-生成-交互-创作”的完整音频能力栈。为进一步降低用户使用成本，Qwen-Audio 全线语音模型价格均下调，其中TTS降价约70%，Realtime降幅约85%，ASR降幅达95%。

目前，Qwen-Audio-3.1 系列模型 API 均已上架千问 AI 平台，体验地址：

Qwen-Audio-3.1-ASR:

https://www.qianwenai.com/models/qwen-audio-3.1-asr-flash

Qwen-Audio-3.1-TTS：

https://www.qianwenai.com/models/qwen-audio-3.1-tts-flash

Qwen-Audio-3.1-TTS-Next:

https://www.qianwenai.com/models/qwen-audio-3.1-tts-next

Qwen-Audio-3.1-Realtime:

https://www.qianwenai.com/models/qwen-audio-3.1-realtime-plus（Qwen-Audio-3.1-ASR-Next API即将上线）

Qwen-Audio-3.1-ASR：更强的上下文理解和润色

Qwen-Audio-3.1-ASR 是新一代语音识别大模型，进一步增强多语种、方言识别与上下文理解能力，并新增原生转写润色能力，可自动去除语气词与重复表达并重组语义，让转写的文字更顺畅、更有逻辑。

此外，全新方案的分角色转写，完整呈现“谁在什么时候说了什么”，为会议、访谈和对话分析提供可追溯的结构化记录。

核心能力亮点：

结构化：端到端方案，把说话人标签、时间戳和文本联合输出。模型既能处理轮流发言，也能保留短插话和重叠语音，把每个人说的话转写清楚。
听得广：一套模型支持30种语言和16种中文方言，覆盖多语言交流、方言对话等复杂语音场景。
听得准：支持行业词、专业实体和分级热词识别，并能参考长音频历史上下文，让人名、缩写和专业术语保持一致。
听得快：支持低延迟流式识别，边说边转写，实时输出准确文字，首字响应约160毫秒。
听得清：原生完成去语气词、去重复、自我纠正和语义重组；自动区分不同说话人，实现长音频角色一致、时间对齐与结构化输出。

性能表现

开源方言 ASR/AST：

通过 KeSpeech 和 WSYue 的 11 个子集，评测模型在公开数据上的方言转写与翻译能力。Qwen-Audio-3.1-ASR 平均 CER 为 4.55%，并在 6 个子集上取得最优结果。

中文方言内部自建测试集 ASR：

评测模型对 16 种中文方言的原文转写能力，以字错误率（CER）衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集上取得最优结果，平均 CER 为 10.38%，其中温州话等较难方言的提升尤为明显。

中文方言内部自建测试集 AST：

评测模型将方言语音翻译为普通话、准确保留原意的能力，以语义句准率衡量。Qwen-Audio-3.1-ASR 在 11 个方言子集中的 10 个上表现最优，平均语义句准率达到 82.10%。

Qwen-Audio-3.1-ASR-Next：更好地理解人物情绪与场景

基于下代架构的音频理解模型Qwen-Audio-3.1-ASR-Next全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。

例如，面对一段同时包含人物对话、背景音乐和环境声的音频，模型不仅可以输出对话文本，还可以进一步描述音频中包含哪些声音、相关事件在何时发生，并回答与整段内容有关的问题。

由此，ASR 处理的对象开始从“语音中的文字”扩展为“完整的音频信息”。

性能表现

分角色 ASR：

评测多人语音中“谁在什么时候说了什么”的识别能力，同时考察说话人区分和转写准确性。在四个测试集的八项指标中，Qwen-Audio-3.1-ASR-Flash-Next和Qwen-Audio-3.1-ASR-Flash版本分别取得五项和三项最优结果，均全面优于此前的 Fun-ASR 级联系统。

Qwen-Audio-3.1-TTS：更自然的跨语言音色合成

Qwen-Audio-3.1-TTS 是新一代语音合成大模型，支持多语种及方言合成，支持模型在同一音色跨语言合成时的自然迁移，让你秒讲数种语言。

相比只关注字音正确的传统方式，它更强调真实表达：通过指令控制情绪、语速和表达方式，让声音贴近具体内容与使用场景。

Qwen-Audio-3.1-TTS-Next：更高效的音频创作方式

基于下代架构的音频创作模型 Qwen-Audio-3.1-TTS-Next 全新发布。

过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。它不再局限于单一语音合成，而是围绕文本、时间戳和参考音频等输入，统一生成人声、音效和环境音，创作完整的音频内容。

核心能力亮点：

一个模型统一生成多类音频：支持生成包含语音及完整环境声场的音频，如一段播客可以同时包含多位说话人的对话与背景音效，一段影视或游戏音频可以包含台词、环境声、动作音和配乐。

保持多角色音色与情绪一致：支持多人音色复刻与多轮对话生成，在连续内容中保持各角色音色特征，并按脚本演绎情绪与节奏，避免多轮生成中角色“变声”，呈现停顿、接话、附和、情绪转折等自然表达。
融合人声、音效与环境声：多类声音融合生成，并呈现声音材质、远近变化与空间层次。例如有声书场景中，模型可以同时处理旁白、两位角色的对话，也能生成城市低鸣、晚风和易拉罐碰撞声等音效与环境声，让对话听起来就发生在故事场景里。

使用自然语言控制生成过程：通过自然语言指定说话人的语气、语速和音量，描述音乐风格、配器方式以及声音事件的先后顺序。模型还支持细粒度时间戳控制、声音复刻和 48kHz 输出，可对对白起止、声音事件和内容节奏做更具体的安排，满足播客、有声书、影视剧、游戏、广告等专业音频创作需求。

Qwen-Audio-3.1-Realtime：更自然的实时互动体验

实时语音交互，并不是把语音识别、语言模型和语音合成简单串起来。人与人的交流中，说与听常常同时发生：用户可能没说完就补充，也可能在对方回复时插话；同一句话，随情绪、关系和语气不同，含义也不同。

全新升级的Qwen-Audio-3.1-Realtime听得更懂，更会接话，更会共情，甚至可以主动调用 Agent 工具完成任务。全双工实时交互告别了过去模型只能听或只能说的现状，可以做到同时说和听，让用户可以随时插话、打断，交流体验更接近真人通话。

核心能力亮点：

从识别文字，到理解情绪与交流意图：模型理解的不仅是语音中的文字，还有声音背后的情绪与意图。识别到用户语气低落时，它不会机械地回一句“我理解你的感受”，而是放慢语速、调整措辞；面对紧张、开心、失落或犹豫，也能结合上下文选择合适的表达。角色扮演场景中，角色设定不只留在 Prompt 里，也体现在连续的声音表达中。
支持多语言实时交流与自然切换：对话中切换语言时，模型继续保持此前的上下文、语气和交流节奏，跨语言对话不必因语言变化而重新开始。
强化安全边界与事实可靠性：面对不确定信息，减少缺乏事实依据的回答；面对敏感或高风险内容，更准确地识别边界并给出安全回应。它关注的不仅是“能不能回答”，还有何时该谨慎、何时不该给出未经确认的结论。
在实时对话中调用工具：当需求涉及外部信息或业务系统时，模型可在对话中调用工具，连接 API、知识库和业务系统完成搜索、查询或任务执行，并把结果自然带回对话。

基于多教师蒸馏架构，模型在保持低延迟的同时，提升了理解、推理、表达与安全能力，所解决的问题也从“如何实时回答用户”扩展为“如何在持续对话中理解变化的需求并完成任务”。

能听懂、能创作、能聊天，Qwen-Audio 3.1 正在让语音成为连接人、内容与 AI 的自然入口。