Qwen-Audio-3.1 的替代方案

BreezeBlue 开源的双语语音合成模型，专为实时交互而生。支持免参考音色的语音设计、参考引导的音色指挥，冷启动首音频低于 40ms。

ElevenLabs Turbo v2.5（eleven_turbo_v2_5）是已弃用的低延迟语音合成模型，支持 32 种语言；官方建议改用 Flash v2.5。

上一代 Deepgram 语音识别（ASR）模型，官方文档现在优先推荐 Nova-3 与 Flux，不应再被当作 2026 年最快或默认的识别路径。

Qwen3.8-Omni-Flash 是阿里的全模态智能体模型：100 万 token 上下文，原生输入文本、图像、音频与视频，每百万 token 仅 $0.15/$0.47。