货架第八格：音频全线降价五模型齐

Qwen-Audio-3.1 官方发布（按官方帖与引文转述）：音频栈补齐全流程——语音识别 → 实时对话 → 语音合成 → 音频创作；ASR、TTS、Realtime 全线升级，新增两个模型：ASR-Next（音频理解）与 TTS-Next（音频创作）——五个模型，理解、生成、交互、创作四段齐活。

亮点两条：ASR 方言与多语识别更强，并带"原生润色"——自动去掉口癖与重复，转写更干净；ASR-Next 支持多说话人（说话人标签、时间戳、对齐转写），还能听懂情绪、环境声与机器声，做声音描述、事件定位与音频问答。

而最扎眼的是价签：TTS 约降七成、Realtime 约降八成五、ASR 最高降九成五。

我的看法：先记成本线的第八格——半价、标价、加量、三口径、送 token、限免、价格倒挂之后，这条是"音频全线降价战"：−70%／−85%／−95% 三个数字把"实时语音"从奢侈品档拉进日常档，与 Omni-Flash 那格（57641）连成一条"交互越常用、单价越打穿"的曲线。

第二层是栈的完整性：此前音频散落在各线（语音输入、字幕、配音），这条第一次把"听懂→对话→开口→创作"四段摆成一个栈——与个人智能三格（58007）同一种打法：入口、执行、产出一次摆齐，一个在手机屏、一个在耳朵边。

给创作者与开发者各一句：做播客、配音、字幕、语音助手的，这波降价先拿 Realtime 试实时场景（省得最多的正是它）；做分析的盯 ASR-Next 的多人与事件理解——"这段音频里发生了什么"从此是可查询的。

收束留一句：当"听懂"与"开口"都降到白菜价，比拼的就不再是模型张嘴，而是你的场景敢不敢真的用起来。

模型、功能与降价幅度均为官方口径，以 Qwen 官方公告与价格页为准。