2026 年 9 月 23 日下午，阿里通义千问通过官方 X 账号发布了 Qwen-Audio-3.1 系列语音模型。这一代一次放出 5 个模型：原有的 ASR（语音识别）、TTS（语音合成）、Realtime（实时语音交互）三个方向全面升级，同时新增了面向音频创作的 TTS-Next 和面向音频理解的 ASR-Next。更引人注目的是价格：全线降价，TTS 约降 70%，Realtime 约降 85%，ASR 最高降 95%。
这次把"听、说、实时对话、创作"四个环节一次性补齐，意图很明显：用一条完整的语音链路、配上更便宜的价格，去抢语音 API 的市场份额。
听和说：三个老方向都升级了
ASR 负责把语音转成文字，是会议转写、字幕、语音助手的第一环；TTS 负责把文字读出来，是配音、有声内容、语音播报的基础；Realtime 则是低延迟的实时语音对话，支撑"打断式"自然交流。这次三个方向同步升级，意味着一条完整的语音链路可以全部跑在 3.1 系列上，不用再拼凑不同代际的模型。
这次公告把重点放在了模型矩阵和价格上。至于中文方言、嘈杂环境下的识别率这些硬指标，还要等官方文档和第三方评测补齐数据。
新增的两个 Next 模型是什么
TTS-Next 被定位为音频创作模型，主打更自然的语音生成能力；ASR-Next 则是音频理解模型，负责对音频内容的深度理解。加上原有的三个方向，整个系列覆盖了理解、生成、交互与创作四个场景。
这种拆分方式其实是在回应真实需求：简单的"转写"和"朗读"已经不够用了。播客剪辑、视频配音、客服质检这些场景，需要的是能理解语气、情绪和上下文的模型，而不是只会逐字转写的工具。
实时对话开始讲"情商"
新版 Realtime 支持边说边听、随时打断，这是实时语音交互的基本功。更有意思的是一个细节：当检测到用户情绪低落时，模型会放慢语速并给出共情回应。
这说明语音模型的竞争已经从"识别准不准、延迟低不低"进入到"对话像不像人"的阶段。对做 AI 陪伴、心理疏导、客服安抚类产品的团队来说，这个能力值得重点测试。
降价幅度最大的一次，谁最受益
TTS 降价约 70%，Realtime 降价约 85%，ASR 最高降 95%。语音 API 的调用量通常很大，降价会直接改变成本结构：以前因为成本不敢开的长时转写、全量客服录音质检、批量配音，现在可能都划得来了。
最直接受益的是三类人：做会议纪要和字幕的 SaaS 团队、跑大量语音客服的企业、以及做有声内容和短视频配音的创作者。建议已经在用 Qwen 语音 API 的团队直接对比新旧价格，按自己的调用量重新算一笔账。
下一步值得关注什么
第一，实际效果需要第三方评测验证，尤其是中文方言、嘈杂环境下的识别率，以及 TTS-Next 的自然度到底提升了多少。第二，价格战会不会引发其他厂商跟进——语音 API 的毛利空间本来就不厚，Qwen 这次降价幅度不小，ElevenLabs、Minimax 等厂商的反应值得看。第三，Realtime 的情绪感知能力在真实场景中的稳定性和边界，比如误判情绪时会不会反而让用户反感。
Q：Qwen-Audio-3.1 的 5 个模型分别适合什么场景？
A：ASR 适合会议转写、字幕和语音输入；TTS 适合配音、有声书和语音播报；Realtime 适合需要打断和低延迟的语音助手、AI 陪伴；TTS-Next 面向对自然度要求高的音频创作；ASR-Next 面向需要理解语气和内容的音频分析场景。
Q：已经在用旧版 Qwen 语音 API，需要做什么迁移吗？
A：官方公告没有说明旧版下线时间表，建议先在测试环境接入 3.1 验证效果，同时按新价格重算成本，再决定切换节奏。模型 ID 和参数可能有变化，升级前先看官方文档。
