Qwen-Audio-3.1

Qwen-Audio-3.1 是阿里在 2026-09-23 通过官方账号发布的语音模型家族更新。它不是单个模型，而是一整套五个模型的语音栈：原有的 ASR、TTS 与 Realtime 升级，同时新增 ASR-Next（语音理解）和 TTS-Next（音频创作）。

对多数团队来说，最实际的信号是价格。官方宣布 TTS 降价约 70%、Realtime 降价约 85%、ASR 最高降价 95%。按分钟计费的语音业务，这次降幅直接改写成本结构。

语音栈包含哪些模型

TTS 模型详解

官方技术说明把 Qwen-Audio-3.1-TTS 定义为一套面向生产的语音合成系统：底层是 12.5 Hz 低帧率语音分词器，训练采用五阶段流程，分别是语言模型与流匹配模型各自预训练、用高质量数据退火做联合训练、语言模型强化学习、流匹配鲁棒性训练，以及最后一轮强化学习。

控制手段有两套：一套是自由风格的自然语言指令，另一套是 86 个细粒度行内标签，可以在词组和单词级别控制语气，还能触发笑、呼吸、咳嗽等非语言事件。语言覆盖 16 种语言（本次新增 7 种）与 20 个中文方言区。单次长文合成最长 3 分钟，输出最高 48 kHz，并且在嘈杂、混响或参考音频不清晰的条件下依然可用，不需要额外走一遍降噪。官方称该模型已在独立的 Artificial Analysis 语音合成榜上排名第一。

定价

下表来自 Qwen Cloud 模型页，核对时间 2026-09-23。

局限

• 五个模型里有两个只发布了公告。 ASR-Next 与 TTS-Next 在核对时还没有公开的 API id 与价格，官方称更多 API 正在开放中。
• 本次没有开放权重。 3.1 语音栈目前只能通过托管 API 使用，阿里最后一批可下载的语音权重还停留在更早的 Qwen-Omni 一代。
• 方言支持以中文为中心。 20 个方言区都指中文，其他语言覆盖仍以那 16 种为准。
• 榜首结论来自厂商。 Artificial Analysis 的排名是阿里自己公布的，做选型时建议用你的语言组合去实测榜面对照。

常见问题

Qwen-Audio-3.1 是开源的吗？

不是。3.1 语音栈目前以 Qwen Cloud 托管 API 形式提供。如果想要同价位带的开源权重语音合成模型，可以看看 Breeze TTS 2。

ASR-Next 相比普通 ASR 多了什么？

多了说话人标签、时间戳和对齐文本，并且能理解情绪、环境音与机器声，可用于声音描述、事件定位和音频问答。

能在本地跑吗？

这套 checkpoint 不行。本地方向可以看 sanoTTS，那是完全不同量级的产品，参数量不到 300 万，浏览器或 ESP32 开发板就能跑。

替代方案

• Breeze TTS 2：开源权重、支持无参考音频的音色设计。
• ElevenLabs Turbo v2.5：专业语音厂商提供的托管 TTS。
• Deepgram Nova-2：覆盖语言广的托管 ASR。
• Qwen3.8-Omni-Flash：不想要一串专用模型时，可以用这个全模态模型把音频、视频与文本放进同一个模型里。