阿里 Qwen Audio 3.1 发布：语音识别/TTS 多模型，API 价格最高降 95%

阿里巴巴 AI 团队 Qwen 发布了 Qwen-Audio-3.1，这是一套包含五个模型的阵容，用于语音识别（ASR）、文字转语音（TTS）和实时交互。ASR 模型提升了多语言和方言识别能力，并自动清理填充词和重复内容。ASR-Next 新增多说话人识别和时间戳功能，并能检测情绪、环境声音和机器噪音。TTS 处理多语言合成，支持自然的跨语言声音转换。用户通过简单的文本提示控制情绪、语速和风格，例如"用尖锐、命令式的语气朗读，要求获得尊重"。

TTS-Next 将语言模型与扩散方法配对，在单次传递中生成语音、音效和背景音频。实时模型支持同时说话和倾听，并可即时中断。据 Qwen 介绍，当检测到低情绪时，它会以更慢、更富同理心的方式回应。阿里巴巴同时大幅降价。TTS 下降约 70%，Realtime 约 85%，ASR 高达 95%。更多详情见博客和 Qwen Cloud。