通义发布 Qwen-Audio-3.1：五款音频模型组成全栈，API 大幅降价

通义千问（Qwen）于官方 X 平台正式推出 Qwen-Audio-3.1 音频模型系列，包含 ASR、TTS 与 Realtime 三条主线以及两款新模型 TTS-Next、ASR-Next，共五款模型构成完整音频栈，覆盖理解、生成、交互与创作四大场景。同时官方宣布全线 API 大幅降价：TTS 降价约 70%，Realtime 降价约 85%，ASR 最高降价 95%。

模型矩阵与核心升级

此次 Qwen-Audio-3.1 形成「3+2」五模型结构：

• ASR（语音识别）：多语言与方言识别能力增强，并新增「原生润色」功能，可自动去除口语中的填充词与重复，输出更逻辑清晰的转写文本。
• ASR-Next（新增）：支持多人对话场景的多说话人识别，提供说话人标签、时间戳及对齐转写，并能识别情绪、环境音与机器声，可用于声音描述、事件定位、音频问答与推理。
• TTS（语音合成）：支持多语言与方言合成，具备跨语种音色迁移能力，可通过自然语言指令控制情绪、语速与风格。
• TTS-Next（新增）：采用统一语言模型 + 扩散模型框架，一次性输出语音、音效与背景音，适用于有声书、播客、游戏音效与广告音频。
• Realtime（实时对话）：支持真正的边说边听与随时打断，模型可在感知到用户低情绪时自动放慢语速并给出共情回应。

价格策略与产业影响

本次降价幅度在语音类 API 中极为激进，ASR 与 Realtime 下调七至九成，直接拉低语音交互产品的接入成本，对依赖 ASR/TTS 的客服、教育、播客与有声内容开发团队影响尤为显著。

接入方式

Qwen-Audio-3.1-ASR 与 Qwen-Audio-3.1-Realtime 已开放 API（链接见官方 X 帖子），完整技术细节可参考通义官方博客。TTS-Next 与 ASR-Next 的更多 API 接入信息官方表示「即将上线」。