阿里千问一口气发5款语音模型 价格最高降95%

时间：2026年9月23日 地点：杭州／北京 人物：阿里千问团队 事件详情：千问 9 月 23 日正式发布 Qwen-Audio-3.1 系列语音大模型，一次性推出 5 款模型：三大核心模型 Qwen-Audio-3.1-ASR（语音识别）、Qwen-Audio-3.1-TTS（语音合成）、Qwen-Audio-3.1-Realtime（实时语音交互）全面进化，并新增基于下一代架构的 Qwen-Audio-3.1-ASR-Next（音频理解）与 Qwen-Audio-3.1-TTS-Next（音频创作）。五款模型共同形成覆盖"理解—生成—交互—创作"的完整音频能力栈。 背景：Qwen-Audio-3.1-ASR 升级重点是结构化、听得广、听得准、听得快、听得清五项核心能力，支持 30 种语言和 16 种中文方言；在阿里内部自建的中文方言测试集上，对 16 种中文方言的原文转写平均字错误率（CER）仅为 10.38%，温州话和苏州话识别能力断层领先；AST 方言语音翻译为普通话测试中，11 个子集 10 个最优，平均语义句准率达 82.10%。TTS 升级重点是跨语言音色合成，一个音色可跨语种自然迁移，并能通过指令控制合成语音的情绪、语速和表达方式。Realtime 模型则在 τ-Voice 半双工语音转文字适配版上的整体任务成功率从 78.4% 提升至 82.0%，对背景语音的响应率从 73.0% 降至 13.0%。 影响：本次最大亮点是价格大幅下探——Qwen-Audio 全线语音模型价格下调，其中 TTS 降价约 70%，Realtime 降幅约 85%，ASR 降幅高达 95%。具体来看，Qwen-Audio-3.1-ASR-Flash 输入 0.8 元、输出 2.7 元/百万 tokens；Qwen-Audio-3.1-TTS-Flash 输入 1.5 元、输出 12 元/百万 tokens；Qwen-Audio-3.1-TTS-Next 输入 6 元、输出 12 元/百万 tokens；Qwen-Audio-3.1-Realtime-Plus 输入 5～40 元、输出 40～150 元/百万 tokens。此外，千问办公还发布了两款智能硬件——磁吸手机背面 4G 录音转写设备 QwenNote A2 和桌面机器人 Eva，Qwen-Audio-3.1-Realtime 将逐步接入这些硬件。 总结：阿里通过"能力拓展 + 价格下探 + 软硬件入口"三路并进，把语音定位为连接人、内容与 AI 的自然入口。AI 眼镜、桌面机器人等新终端的普及将带来更多语音调用需求，而最高 95% 的降幅有望显著降低中小微企业规模化应用门槛，推动国内 AI 语音赛道向市场化、普惠化转型。 参考来源： - 36氪：阿里一口气上新5款千问模型，价格最高降95% (https://www.36kr.com/p/3996196939616387 - 北京商报：阿里发布语音模型系列Qwen-Audio-3.1 (https://www.bbtnews.com.cn/2026/0923/606703.shtml - 每日经济新闻：千问发布Qwen-Audio-3.1系列语音大模型；高瓴创投原合伙人严文韬正式入职DeepSeek (https://www.nbd.com.cn/articles/2026-09-23/4590490.html - 头条/证券时报：千问发布Qwen-Audio-3.1系列语音大模型 Qwen-Audio全线语音模型价格均下调 (https://www.toutiao.com/article/7688629471754191370/ - 第一财经：千问发布Qwen-Audio-3.1 下调Qwen-Audio全线语音模型价格 (https://www.yicai.com/brief/103375713.html - 智东西：千问发布Qwen-Audio-3.1系列语音大模型 (https://zhidx.com/p/597129.html