阿里千问 9 月 23 日发布 Qwen-Audio-3.1 系列语音模型，一次放出五款，覆盖识别、合成、实时对话和音频创作，并同步下调整条语音产品线的价格：语音合成（TTS）降约 70%，实时语音（Realtime）降约 85%，语音识别（ASR）最高降 95%。
五款模型分两类。三款是老产品线升级：
- Qwen-Audio-3.1-ASR：单个模型支持 30 种语言和 16 种中文方言，官方称在 11 个方言测试子集上取得最好成绩，温州话这类难度高的方言提升明显，首字响应约 160 毫秒；
- Qwen-Audio-3.1-TTS：多语言合成，支持跨语言音色迁移，可以用自然语言指定语气，例如要求”用强硬、不容置疑的口吻读”；
- Qwen-Audio-3.1-Realtime：全双工对话，边说边听，可随时打断，支持调用工具；官方称它在察觉用户情绪低落时会放慢语速。
两款是新面孔：
- TTS-Next：语言模型加扩散模型的统一框架，一次生成人声、音效和背景音，面向有声书、播客、游戏和广告；
- ASR-Next：多人说话时能区分说话人、给出时间戳和对齐文本，还能识别情绪、环境声和机器声，做声音描述、事件定位和音频问答。
方言成绩单
千问在发布材料里给了几组方言数据：中文方言语音识别的平均字错误率为 10.38%，方言翻译的平均语义句准率为 82.10%。这些是官方自测口径，测试集构成没有完整公开，第三方复现结果暂时没有。
对国内开发者，方言识别是个实打实的需求。客服、政务热线、县域电商直播里，普通话识别准、方言一上来就乱，是很多语音产品落地卡住的地方。16 种方言装进同一个模型，至少省掉了按地区切换模型的麻烦。
和 ElevenLabs 比一比
语音合成这条线，海外对标对象通常是 ElevenLabs。第三方路由服务 OrcaRouter 整理过一组价格：上一代 Qwen-Audio-3.0 的 TTS Plus 档约每百万字符 27.6 美元，Flash 档约 15 美元；ElevenLabs Eleven v3 标准价约每百万字符 100 美元，Flash 档约 50 美元。
按”降约 70%“粗算，3.1 版 Plus 档会落到每百万字符 8 美元出头。这只是估算，公告本身只给了降幅，具体新价以阿里云百炼的价目表为准。
质量这边，Artificial Analysis 的语音竞技场 8 月数据里，Qwen-Audio-3.0-TTS-Plus 的 Elo 为 1234，Eleven v3 为 1168。3.1 版 TTS 还没有进入任何公开竞技场，新版本在音质上是进是退，眼下只有厂商自己的说法。
用在哪里
千问这次把语音模型和一串自家产品绑在一起讲：编程智能体 Qoder、千问办公，以及 QwenNote、A2、Eva、千问 AI 眼镜和乐奇 AI 眼镜等硬件。眼镜、录音笔这类设备按分钟、按次调用语音接口，识别和实时对话降价 85% 到 95%，对硬件厂商的单机服务成本影响最直接。
实时对话降幅排第二。一路实时通话通常要同时跑识别、推理和合成，是语音产品里单位成本偏高的一类，这次降价后语音助手能不能对免费用户长期开放，要看各家接入方下一季度的产品定价。
参考来源：千问官方发布、IT之家、The Decoder、CocoLoop、OrcaRouter 价格整理；降价幅度与方言测试数据为千问官方口径，旧版与 ElevenLabs 价格为第三方整理，竞技场分数以 Artificial Analysis 公开榜单为准。