9月23日，阿里千问正式对外发布Qwen-Audio-3.1系列语音大模型。此次更新覆盖语音识别、语音合成与实时语音交互三条核心产品线，并首次推出音频创作模型Qwen-Audio-3.1-TTS-Next和音频理解模型Qwen-Audio-3.1-ASR-Next。官方表示，五款新模型共同构成一套从“理解”到“生成”再到“交互”与“创作”的完整音频能力栈。

在语音识别方向，Qwen-Audio-3.1-ASR着重强化了多语种、方言识别与上下文理解能力，并新增原生转写润色功能，可自动剔除语气词与重复表达、重组语义，使转写文本更顺畅。该模型采用端到端方案，将说话人标签、时间戳与文本联合输出，支持分角色转写，能够保留短插话和重叠语音，为会议、访谈等场景提供结构化记录。官方数据显示，一套模型可支持30种语言和16种中文方言。

价格调整是本次发布的另一重点。Qwen-Audio全线语音模型均下调定价，其中TTS降价约70%，Realtime降幅约85%，ASR降幅达到95%。这一幅度意味着语音识别能力的调用成本被大幅压缩，对依赖大规模语音处理的应用场景将产生直接影响。

从产品布局看，千问此次将语音能力拆分为理解、生成、交互、创作四个层次，并以统一系列命名，显示出其在音频赛道从单点模型向能力栈演进的意图。配合全线降价策略，阿里千问正在降低开发者接入语音大模型的门槛，后续在会议记录、多语言客服、音频内容生产等方向的落地节奏值得关注。