Qwen-Audio 3.1 是阿里千问在 2026 年 9 月 23 日发布的音频模型系列：五个模型，阿里称之为覆盖「理解—生成—交互—创作」的一整套能力栈。它涵盖语音识别（ASR）、语音合成（TTS）与实时语音对话（Realtime），并新增两个模型——更丰富的音频理解模型 ASR-Next 与统一音频生成模型 TTS-Next。五个模型都只通过阿里云百炼 Model Studio 与 Qwen Cloud 的 API 提供。
随模型一起发布的还有全线降价：TTS 约 70%、Realtime 约 85%、ASR 最高 95%。对预算有限、要做语音产品的开发者来说，这比任何单一基准都更重要。
五个模型
| 模型 | 做什么 | 关键信息 |
|---|---|---|
Qwen-Audio-3.1-ASR（qwen-audio-3.1-asr-flash） | 流式语音识别，内置转写润色 | 30 种语言与 16 种中文方言；首字响应约 160 毫秒；自动去除语气词与重复表达 |
| Qwen-Audio-3.1-ASR-Next | 超越文字的音频理解 | 分说话人的转写并附时间戳；理解情绪、环境声与机械声；声音描述、事件定位、音频问答与推理 |
Qwen-Audio-3.1-TTS（qwen-audio-3.1-tts-flash） | 多语种与方言语音合成 | 跨语言音色迁移；用指令控制情绪、语速与风格；噪声与混响下复刻更稳健 |
Qwen-Audio-3.1-TTS-Next（qwen-audio-3.1-tts-next） | 统一音频生成 | 根据文本、时间戳与参考音频生成语音、音效与环境声；播客、多人对话、影视级声景 |
Qwen-Audio-3.1-Realtime（qwen-audio-3.1-realtime-plus） | 全双工实时语音交互 | 同时听和说；可打断；理解情绪与意图；支持工具调用 |
Realtime-Plus 详情
- 全双工： 模型通过流式连接同时说话和倾听，用户可以像打电话那样随时打断。
- 工具： 函数调用，或通过
enable_search开启联网搜索（二者不能同时启用），以及声音复刻。 - 语言： 德语、英语、西班牙语、法语、印尼语、意大利语、日语、韩语、葡萄牙语、俄语与中文，外加多种中文地方话（粤语、重庆话、东北话等）。
- 音频格式： 输入 16 kHz 单声道 PCM，输出 24 kHz 单声道 PCM，通过 WebSocket 传输。默认音色
longanqian_v3.1，新增八个系统音色。 - 限制： 上下文 262,144 token，最大输入 245,760、最大输出 16,384；音频历史最多 50 轮或 300 秒；60 RPM、100,000 TPM。
TTS-Next 的限制
TTS-Next 一次生成语音、音效与环境声，据媒体报道采用「语言模型 + 扩散」的设计。它的约束很具体：仅支持中文与英文，非流式输出（WAV、MP3 或 PCM），最多 3,000 个输入字符，单次请求播客最长 240 秒、其他场景 120 秒，最多三段参考音频（每段 30 秒、10 MB，支持 WAV、MP3 或 OGG Opus）。在中国（北京）区域限流为每秒 3 次请求。
定价
每 100 万 token，来自 Model Studio 的标价（不含活动优惠）：
| 模型 | 国际站（新加坡） | 中国（北京） |
|---|---|---|
| Realtime-Plus | 文本输入 $0.8 · 音频输入 $6.4 · 文本输出 $6.4 · 音频输出 $24 | $0.688 · $5.501 · $5.501 · $20.628 |
| TTS-Flash | 输入 $0.23 · 输出 $1.87 | 输入 1.5 元 · 输出 12 元 |
| ASR-Flash | 输入 $0.15 · 输出 $0.47 | 输入 $0.113 · 输出 $0.382 |
| TTS-Next | — | 输入 $0.848 · 输出 $1.696（6 / 12 元） |
作参考：TTS 输出 $1.87 / 100 万 token，对比 Gemini 3.8 Flash TTS 的每百万音频 token $9–$18——不过不同厂商的 token 并不能直接比较，决策前请先用自己的样本折算成每分钟音频的成本。
基准成绩（已公布的）
- Realtime（技术报告，arXiv 2609.25176）：Audio MultiChallenge 52.21%（比 3.0 高 5.09 个点）、τ²-Bench Audio 82.19%（+3.59）、多语言问答 88.09%。在 τ-Voice 的半双工改造版上，整体任务成功率从 78.4% 升至 82.0%。在 Full-Duplex-Bench v1.5 上，对背景人声的响应率从 0.73 降至 0.13。阿里说明，3.1 的匹配全双工测量尚未公布。
- ASR： Realtime 报告中 LibriSpeech 词错误率为 1.19%（clean）与 2.31%（other）；方言转写在 KeSpeech 与 WSYue 的 11 个子集上平均 CER 为 4.55%，其中 6 个子集最优。在多说话人「谁在何时说了什么」测试中，ASR-Next 与 ASR-Flash 版本分别在八项指标里取得 5 项与 3 项最优。
- TTS： Seed-TTS-Eval 成绩为中文 CER 0.84、英文 WER 1.54、困难集 CER 7.00。这些数字来自 3.1 博客沿用的 7 月 Qwen-Audio-3.0-TTS 报告，并且在英文与困难集上落后于部分对手——所以它们描述的是整个家族，而不是 3.1 的全新测量。
以上结果均为阿里自行披露，未经独立验证。
独立排名：TTS-Plus 档
独立数据来自 Artificial Analysis 的盲测投票语音竞技场，但需要说明一点。AA 列出的 Qwen-Audio-3.1-TTS-Plus 排第 3（Elo 1298），Qwen-Audio-3.0-TTS-Plus 排第 6（1267），价格都是每百万字符 $19.30。3.1 条目只落后于 Eleven v4 Turbo（1330）和 Eleven v4（1326），比 Gemini 3.8 Flash TTS（第 5，1274）高 24 分，价格相近；3.0 条目与 Gemini 在误差范围内。在所有模型朗读同样八个克隆声音的榜单上，3.1 Plus 排第 2（1185），领先两个 Eleven v4 模型（1161–1166）。
该条目是按字符计费的 Plus 档，而不是本页定价所述按 token 计费的 TTS-Flash，TTS-Flash 不在任何一个榜单上，所以它的质量尚未被测量。我们没找到阿里云百炼关于 3.1 Plus 模型 ID 的页面。文档里有的 Plus 模型是 qwen-audio-3.0-tts-plus，北京区标价每万字符 $0.19253——即 AA 的每百万字符 $19.30——国际站为 $0.20。在围绕这个排名做开发之前，请先在控制台确认确切的模型 ID 与价格。
横向对比
- 对比 Gemini 3.8 Flash TTS： Google 在声音设计、130 种语言和双人场景导演上领先；Qwen 的 TTS-Plus 档在盲测中排名更高（第 3 对第 5，克隆声音榜第 2 对第 17），价格相近（每百万字符 $19.30 对 $16.50），并把 ASR 与实时模型打包在同一家族。Gemini 的推广期价格会在 2027 年翻倍。
- 对比 MAI-Voice-2.1： 微软这一对处于公开预览，价格每百万字符 $15–$22，同一个声音跨 23 种语言；Qwen 的标价纸面上低得多（token 与字符不能直接比较），中文方言覆盖也深得多。
- 对比 Eleven v4： ElevenLabs 在盲测中领先约 30 个 Elo 点，在欧美市场更精致，支持 90+ 种语言；Qwen-Audio 的 TTS-Plus 档每百万字符 $19.30，对比 $40–$80，面向成本敏感与面向中国的部署。
- 对比 Qwen3.8-Omni-Flash： Omni-Flash（9 月 18 日）是通用全模态模型，能输入音频和视频但只输出文本，有自己独立的实时模型；Qwen-Audio 3.1 则是 ASR、语音生成与全双工语音的专用音频栈。
局限
- 只有厂商披露的结果， 五个模型的文档详细程度不一。
- 仅 API——没有权重，无法自托管。
- 区域差异。 TTS-Next 只列出北京区，国际站与中国站价格不同。
- 语言范围。 TTS-Next 只覆盖中英文；Realtime 覆盖 11 种语言和中文地方话。
其他语音与音乐模型见音频模型目录。
适用场景
- 需要打断处理与工具调用的语音智能体与客服（Realtime）
- 带说话人标签、时间戳与情绪标注的会议转写（ASR-Next）
- 低延迟语音助手与多语言旁白（TTS-Flash）
- 一次生成播客、影视与游戏声景、音效与环境声（TTS-Next）
优缺点
优势
- 一个家族覆盖完整音频栈——语音识别、区分说话人的理解、TTS、统一音频生成与全双工语音对话，都在同一平台
- Realtime-Plus 为全双工（同时说和听、可随时打断），支持函数调用或联网搜索、声音复刻，上下文 262,144 token，音频输出 $24 / 100 万 token
- 据称降价 70%–95% 之后价格很低——TTS-Flash 输出 $1.87 / 100 万 token，ASR-Flash $0.47，而 Gemini 3.8 Flash TTS 为每百万音频输出 token $9–$18（各家 token 定义不同）
- 中文支持扎实——ASR 支持 16 种中文方言，Realtime 支持数十种中文地方话，TTS 支持跨语言音色迁移
局限
- 仅提供 API——不像许多早期千问发布那样开放权重
- 文档深度不一：Realtime 有完整技术报告（arXiv 2609.25176），TTS 沿用 7 月 3.0 报告的数字，ASR-Next 与 TTS-Next 只有简短描述
- TTS-Next 只支持中英文、非流式输出，单次请求 2–4 分钟，且仅列出中国（北京）区域
- Realtime-Plus 支持 11 种语言（外加中文地方话），且联网搜索与函数调用不能同时开启
- Artificial Analysis 排名的是按字符计费的 TTS-Plus 档，而不是本页所述按 token 计费的 TTS-Flash，而且我们没找到阿里关于 3.1 Plus 模型 ID 的官方文档
常见问题
Qwen-Audio 3.1 是什么？
Qwen-Audio 3.1 是阿里千问的语音模型系列，2026 年 9 月 23 日在云栖大会上发布。共有五个模型——ASR、ASR-Next、TTS、TTS-Next 与 Realtime——阿里称之为覆盖理解、生成、交互与创作的完整音频能力栈，五个模型都仅通过 API 提供。
Qwen-Audio 3.1 多少钱？
按阿里云百炼 Model Studio 国际站（新加坡）标价、每 100 万 token：Realtime-Plus 文本输入 $0.8、音频输入 $6.4、文本输出 $6.4、音频输出 $24；TTS-Flash 输入 $0.23、输出 $1.87；ASR-Flash 输入 $0.15、输出 $0.47。TTS-Next 仅列出中国（北京）价格：输入 $0.848、输出 $1.696。其余模型的北京区价格更低。
阿里这次降价多少？
阿里称与上一代相比，TTS 降价约 70%，Realtime 约 85%，ASR 最高 95%。这些是厂商相对自家旧标价的说法，请用自己的 token 用量对比，而不要只看百分比。
Realtime 与 TTS 有什么区别？
Realtime 是端到端的全双工语音对话模型，能同时听和说、接受打断并调用工具，模型 ID 为 qwen-audio-3.1-realtime-plus。TTS 与 TTS-Flash 把文本转为语音，TTS-Next 则根据文本、时间戳与参考音频，一次生成语音、音效与环境声。
Qwen-Audio 3.1 和其他文字转语音模型相比排名如何？
在 Artificial Analysis 语音竞技场（盲测投票，2026 年 10 月）上，Qwen-Audio-3.1-TTS-Plus 以 Elo 1298 排第 3，价格每百万字符 $19.30，只落后于 Eleven v4 Turbo（1330）和 Eleven v4（1326），在克隆声音榜上排第 2（1185）。该条目是按字符计费的 TTS-Plus 档，而不是本页定价所述按 token 计费的 TTS-Flash，TTS-Flash 尚未被排名。
Qwen-Audio 3.1 支持声音复刻吗？
支持。Realtime-Plus 除系统音色外也支持复刻音色，TTS-Flash 被描述为在噪声与混响条件下复刻更稳健。TTS-Next 最多接受三段参考音频，每段最长 30 秒、10 MB。
Qwen-Audio 3.1 开放权重吗？
不开放。五个模型都只能通过阿里云百炼 Model Studio 与 Qwen Cloud 的 API 使用。
来源
- 千问 — Qwen-Audio-3.1 发布公告（新浪新闻转载，2026 年 9 月 23 日）
- 阿里云百炼 — qwen-audio-3.1-realtime-plus
- 阿里云百炼 — qwen-audio-3.1-tts-next
- 阿里云百炼 — qwen-audio-3.1-asr-flash
- QwenCloud — Qwen-Audio-3.1-TTS-Flash
- arXiv 2609.25176 — Qwen-Audio-3.1-Realtime：迈向可靠的智能体语音交互
- IT之家 — 阿里千问发布 Qwen-Audio-3.1 系列语音大模型，并下调全线产品价格
- 阿里云百炼 — qwen-audio-3.0-tts-plus
- Artificial Analysis — 文字转语音榜单（厂商自带声音）
- Artificial Analysis — 文字转语音榜单（克隆声音）