9月23日,千问发布Qwen-Audio-3.1系列语音大模型,一次性推出5款产品,对语音识别(ASR)、语音合成(TTS)和实时语音交互(Realtime)三大核心模型进行全面升级,并同步推出基于下一代架构的音频理解模型Qwen-Audio-3.1-ASR-Next与音频创作模型Qwen-Audio-3.1-TTS-Next。伴随发布,Qwen-Audio全线语音模型价格下调,其中ASR降幅达95%。

能力栈补齐与方言成绩
据智东西报道,5款模型形成了覆盖理解、生成、交互、创作的完整音频能力栈。识别能力方面,Qwen-Audio-3.1-ASR在KeSpeech和WSYue两个公开方言测试集的11个子集中,有6个成绩优于Doubao-ASR和Tencent Hy-ASR-3.0-preview,平均字错误率为4.55%。定价方面,Qwen-Audio-3.1-ASR-Flash为输入0.8元、输出2.7元/百万tokens;Qwen-Audio-3.1-TTS-Flash为输入1.5元、输出12元/百万tokens;TTS-Next为输入6元、输出12元/百万tokens。
每日经济新闻的早参栏目点评认为,国内AI语音产业长期面临落地成本高、功能碎片化的问题,高昂调用费用制约中小微企业规模化应用,本轮全链路降价显著降低使用门槛,有望压缩行业溢价空间,推动赛道向市场化、普惠化转型。
谷歌同日跟进TTS
大洋彼岸的动作几乎同步。美国时间9月23日,谷歌发布Gemini 3.8 Flash TTS与Gemini 3.8 Flash-Lite TTS两款文本转语音模型,已上线Gemini API与Google AI Studio,并接入Notebook与Vids,企业级API同步开启,价格每小时最低0.54美元。谷歌将这一代产品从静态预设音色推向声音设计方向:旗舰版面向游戏、沉浸式有声书及播客等深度创意场景,轻量版面向高并发与批量生成。发布署名团队中出现了Hume AI创始人Alan Cowen的身影,其今年加入谷歌DeepMind担任研究科学总监。
语音进入价格密集下调期
此前一晚,文本模型的定价竞争刚刚落子,语音环节的调价紧随其后,两大阵营的动作在同一周内完成。对以调用API方式集成语音能力的企业来说,智能客服、语音工单、会议纪要等高频场景的边际成本明显下移,原本因费用被搁置的方言识别、全天候语音交互等需求也有了重新排期的空间。
对从事系统集成的落地团队而言,语音模型选型的评估维度也在变化:单价之外,方言与噪声环境下的实际字错率、并发能力与响应延迟同样决定交付效果,降价降低了试错成本,但方案验证环节并不能省略。语音调用价格是否会进入更深的下调通道,还要看后续几周各家API的实际成交情况。(信息截至2026年9月24日,以各厂商官方发布为准)
在线客服
企业微信






