阿里发布 Qwen Audio 3.1，新增多款模型并将 AI 音频价格最高下调 95%

阿里巴巴 AI 团队 Qwen 发布 Qwen-Audio-3.1，包含五款面向语音识别（ASR）、文本转语音（TTS）和实时交互的模型。其中 ASR 模型提升了多语言与方言识别能力，并能自动清理语气词和重复内容；ASR-Next 增加带时间戳的多说话人识别，并可检测情绪、环境声和机器噪声；TTS 支持多语言合成。同时，其 AI 音频价格最高下调 95%。

此次变化集中在两点：一是模型能力细化，ASR 从单纯转写扩展到多语言方言、说话人区分、情绪与环境声识别；二是价格最高下降 95%，直接改变音频 AI 的调用成本结构，可能影响开发者和产品团队的模型选型。

证据显示 Qwen 通过一次发布五款模型覆盖 ASR、TTS 与实时交互等不同环节，把能力拆分到更具体的任务上，例如 ASR-Next 加入时间戳、说话人、情绪和噪声检测。价格大幅下调说明其试图以更低调用成本换取更广泛的音频场景使用。

对产品和研发团队而言，音频转写、多说话人会议记录、情绪或噪声识别等功能的调用成本可能显著降低，原本因价格受限的功能有机会进入常规产品设计。实时交互与多语言 TTS 也扩大了可覆盖的用户场景。

• 在会议记录产品中接入 ASR-Next，利用时间戳和说话人识别生成结构化纪要。
• 为客服或访谈工具增加情绪与环境声检测，用于质检和风险提示。
• 借价格下调重新评估音频转写与 TTS 的成本模型，替换高价方案。
• 面向多语言和方言场景测试 Qwen-Audio-3.1，开发本地化语音交互功能。

• 95% 的降价适用于哪些具体模型和调用方式，是否有区域或用量限制？
• 五款模型的具体名称、上下文长度和实时交互延迟尚未在证据中说明。
• ASR 的自动清理语气词和重复内容是否可配置或关闭？
• 情绪、环境声和机器噪声检测的准确率与适用语言范围未披露。