Qwen-Audio-3.1 – 阿里通义推出的语音大模型系列

Qwen-Audio-3.1是阿里通义于2026年9月推出的语音大模型系列，主要用于语音识别、语音合成、实时语音交互与音频创作，支持30种语言与16种中文方言识别以及全双工实时对话，适用于会议与访谈转写、跨语言沟通、有声内容制作与智能硬件语音交互场景。

Qwen-Audio-3.1 的核心能力

该系列由五款模型分工承担识别、理解、合成、创作与交互，构成一套覆盖完整链路的语音能力栈。与上一代相比，变化集中在两处：识别侧把多语种、方言与上下文润色合并进单一模型，创作侧把语音合成扩展为通用音频生成。对以 AI 智能体 为入口的产品而言，识别与合成是否同栈，直接影响对话链路的延迟。

多语种与中文方言识别

Qwen-Audio-3.1-ASR 一套模型支持 30 种语言与 16 种中文方言，官方给出的首字响应约 160 毫秒。在 KeSpeech 与 WSYue 共 11 个子集的开源方言评测中，其平均字错误率（CER）为 4.55%，在 6 个子集上取得最优；在自建的中文方言测试集上平均 CER 为 10.38%，11 个方言子集均取得最优，其中温州话等较难方言的提升更为明显。

分角色转写与原生润色

模型以端到端方式联合输出说话人标签、时间戳与文本，既能处理轮流发言，也能保留短插话与重叠语音。新增的转写润色由模型原生完成，可自动去除语气词与重复表达、执行自我纠正并重组语义，同时支持行业词、专业实体与分级热词识别。

音频理解扩展到泛音频

同批发布的 Qwen-Audio-3.1-ASR-Next 面向音频理解，可识别情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。面对同时包含对话、背景音乐与环境声的音频，模型除输出对话文本外，还能说明其中包含哪些声音、事件发生在何时。在多人语音的分角色识别评测中，四个测试集八项指标里，ASR-Flash-Next 与 ASR-Flash 分获五项与三项最优。

跨语言音色合成与音频创作

Qwen-Audio-3.1-TTS 支持多语种与方言合成，并在同一音色跨语言合成时保持自然迁移，可通过指令控制情绪、语速与表达方式。音频创作模型 Qwen-Audio-3.1-TTS-Next 则围绕文本、时间戳与参考音频等输入，统一生成人声、音效与环境音，支持多人音色复刻与多轮对话生成，并输出最高 48kHz 音频与细粒度时间戳控制。

全双工实时交互与工具调用

Qwen-Audio-3.1-Realtime 支持全双工交互，可在说话的同时持续听取，并允许用户随时插话与打断；对话中切换语言时，模型会保留此前的上下文、语气与节奏。模型基于多教师蒸馏架构在保持低延迟的前提下提升理解与表达，并可在实时对话中调用工具，连接 API、知识库与业务系统完成查询或任务执行。

Qwen-Audio-3.1 与同类语音大模型的对比

上表中 Qwen-Audio-3.1 一列取自阿里通义官方发布材料，StepAudio 3 一列取自阶跃星辰官方发布材料，Voxtral Transcribe 2 一列取自 Mistral AI 官方文档。三条路线的分工差异较直接：Qwen-Audio-3.1 以五款模型覆盖从识别到音频创作的完整链路，并把方言能力作为识别侧重点；StepAudio 3 同样以系列化方式覆盖识别、合成与实时交互；Voxtral Transcribe 2 以开源实时版权重与按分钟计费切入批量转写与字幕场景。参数规模上，前两者均未完整公开推理侧体量，Voxtral Transcribe 2 的实时版为 4B。

需要对比上一代实时交互能力的用户，可参考 Qwen-Audio-3.0-Realtime（阿里通义上一代实时语音交互模型，可作为版本迭代前后的对照基线）。

Qwen-Audio-3.1 的应用场景与适用人群

该系列面向需要把语音能力接入实际业务的团队，常见场景包括：

• 会议与访谈转写：联合输出说话人标签、时间戳与文本，并自动去除语气词与重复表达。
• 跨语言沟通与同传：一套模型覆盖 30 种语言，方言翻译平均语义句准率 82.10%。
• 有声内容制作：TTS-Next 一次生成人声、音效与环境音，支持多人音色复刻与 48kHz 输出。
• 实时语音交互产品：全双工对话支持插话打断，并在通话中调用业务系统完成办理。
• 智能硬件语音入口：官方已公布与 AI 眼镜等硬件的结合案例，用户可脱离手机发起任务。

适用人群：需要批量处理会议与访谈音视频的企业团队、制作播客与有声书的音频创作者、开发实时语音交互产品的工程团队，以及为智能硬件配置语音入口的硬件厂商。涉及专业术语的场景，建议先整理热词表再接入。

Qwen-Audio-3.1 的使用方法

五款模型的接入路径相近，可按以下步骤开始：

1. 查阅官方说明：在 Qwen-Audio-3.1 官方模型页 确认各模型的额度、并发限制与计费单位，再挑选需要接入的模型。
2. 开通与取用密钥：在千问 AI 平台完成开通流程，获取调用密钥后按模型名区分接口。
3. 接入识别链路：先以离线音频验证转写质量，再切换到低延迟流式接口，观察首字响应与断句效果。
4. 接入合成与创作链路：合成场景确认音色与情绪控制参数，需要完整音频时改用 TTS-Next，并通过时间戳参数安排对白起止与声音事件顺序。
5. 灰度与验收：实时交互先以只读任务验证打断响应与工具调用，再放开写操作，并跟踪识别准确率、端到端延迟与单次调用成本三项指标。

工程实践上，建议把识别、理解与合成分阶段压测，避免把链路问题误判为模型能力问题；价格调整后相同预算可覆盖的调用量明显上升，接入时应把计价单位折算为每千小时音频成本后再做容量规划。

Qwen-Audio-3.1 的价格与开源情况

Qwen-Audio 全线语音模型在本次发布中同步下调，其中 TTS 降幅约 70%、Realtime 约 85%、ASR 达 95%。五款模型的 API 均已上架千问 AI 平台，按实际调用形态分别计费：实时交互按音频输入计费，识别与合成按音频时长或字符量计费。对以长音频为主的转写业务来说，ASR 的降幅直接决定单小时音频的处理成本。

该系列未开放模型权重，仅通过千问 AI 平台以 API 方式提供，自托管部署不在可选范围内。其中 ASR-Next 的 API 官方标注为即将上线，接入计划需预留切换窗口；TTS-Next 输出为最高 48kHz 的完整音频，与常规语音合成的定价口径并不相同，需单独归集。

Qwen-Audio-3.1 的常见问题