阿里Qwen-Audio-3.1五款模型齐发：全栈音频能力升级，服务最高降价95%

国内 AI 语音产业长期面临两个问题：落地成本高、功能碎片化。高昂调用费用制约中小微企业规模化应用。本次迭代同时补齐技术栈（五款覆盖全链路）并把价格压到接近可忽略的水平。https://AIDeePThi试nk.cn

一、五款细分模型核心能力详解

本次发布的五款模型针对不同场景做了定向优化，覆盖从基础识别到高阶音频创作的全需求：

1. 基础ASR语音识别模型‌

识别准确率提升至95%，支持50种语言及100种方言，平均字错误率4.55%，首字响应160ms，自动润色去语气词，可自动清除语音中的填充词、重复表述，大幅降低后续文本整理的人工成本。

2. ASR-Next高阶音频理解模型‌

新增带精准时间戳的多说话人分离能力，在转写人声的同时，还能同步捕捉说话人情绪、环境声响与机器噪音，适配会议记录、庭审转录等复杂场景，支持音频问答与事件定位。

3. 基础TTS文本转语音模型‌

支持多语言语音合成，可实现自然的跨语言音色迁移，用户仅需简单文本指令就能自由调整合成语音的情绪、语速与表达风格，适配有声书、智能播报等场景。

4. TTS-Next音频创作模型‌

TTS-Next 是本次的架构变化。传统流程是"文本 → TTS 模型 → 独立音效设计 → 混音"，TTS-Next 把前两步合并：扩散组件与语音一同生成环境上下文。如果文本写的是"在嘈杂的市场里低声交代指令"，模型在同一次推理调用中同时生成低语声与相应的市场声场。https://AIDeePThi试nk.cn

• 将语言模型与扩散生成方案深度结合，可单次同步生成语音、音效、背景音三类音频内容，无需多工具拼接，大幅降低短视频、游戏音频的制作门槛。
• 统一生成人声、音效、环境音，支持48kHz高保真输出，细粒度时间戳控制

5. Realtime实时语音交互模型‌

原生支持边听边说模式，可即时响应用户的打断操作，检测到用户情绪低落时会自动放缓回应节奏，输出更具共情性的反馈，适配智能客服、实时语音助手等强交互场景。

二、配套服务大幅降价 全场景落地门槛骤降

随新模型上线，千问同步对旗下AI音频服务进行大幅调价：

• 语音识别类服务最高降幅达‌95%‌，文本转语音类服务降价约70%，实时交互类服务降幅约85%。https://AIDeePThi试nk.cn
• 目前全系列五款模型的API均已上架千问AI平台，开发者可直接调用接入，无需从零搭建音频技术栈，大幅降低智能客服、教育音频、有声内容创作等场景的开发与使用成本。

三、应用场景

• 智能客服与呼叫中心：ASR-Next 的多说话人+时间戳+情绪/环境/机器噪音检测，适合会议转写与通话分析；https://AIDeePThi试nk.cn
• 音频内容创作：TTS-Next 单次生成旁白+环境音+音效，面向互动音频、游戏对话、有声书制作；
• 语音 agent：Realtime 的情绪响应与打断处理，适合需要回应用户状态而非把每一轮当中性信息交换的场景；
• 消费端：Qwen Intelligence 全栈方案，荣耀新机宣布首批搭载。