阿里巴巴旗下Qwen團隊發表全新語音AI模型系列「Qwen-Audio 3.1」，涵蓋語音辨識、語音合成與即時語音對話。此次更新的五款模型不僅提升了效能，API使用費用也大幅調降，部分應用情境下成本最高可降低95%。

五款模型涵蓋辨識、合成與對話全流程

本次發表的五款模型分別為語音辨識模型（ASR）、其進階版ASR-Next、語音合成模型（TTS）、其進階版TTS-Next，以及支援雙向互動的即時語音模型。新系列取代了先前的Qwen-Audio產品線，僅透過阿里雲的雲端API提供服務，並未開放模型權重下載。

新增情緒辨識與環境音感知功能

ASR模型提升了多語言與多方言的辨識準確度，並能在轉錄過程中自動清除口頭禪與重複內容。進階版ASR-Next在此基礎上新增了附時間戳記的講者分離功能、情緒判讀，以及對背景音、環境噪音的辨識能力。

TTS（語音合成）支援跨語言的自然音色轉移，僅需文字指令即可控制語氣與說話風格。進階版TTS-Next將語言模型與擴散模型結合，能在單次處理中同時生成人聲、音效與環境音。

即時語音模型可以像人類對話一樣邊說邊聽，被打斷時也能立即回應。阿里巴巴表示，該模型還能透過聲音判斷使用者情緒，並據此調整回應速度與同理程度，但尚未公布相關能力的具體測試數據。

API價格最高調降95%

伴隨新系列發表，阿里巴巴同時大幅調降了API使用費用：語音辨識最高降價95%，語音合成降價約70%，即時對話降價約85%。此舉意在降低企業將語音AI功能整合進自家產品的開發與維運成本門檻。

在語音AI領域，OpenAI、Google等歐美主要AI企業也持續強化各自的對話式語音功能，效能與價格上的競爭日益激烈。中國科技企業同樣加大了在語音AI領域的投資，阿里巴巴此次大幅降價，也被視為這場價格競爭的延續。

總結

2026年9月23日，阿里巴巴發表了涵蓋語音辨識、語音合成與即時對話的新系列「Qwen-Audio 3.1」。在新增講者分離、情緒辨識等功能的同時，API價格最高調降95%，這將進一步降低企業將語音AI整合進自家服務的門檻。中國的語音AI能否在實際應用中站穩腳步，值得持續關注。