通义千问发布 Audio 3.1，语音模型全面扩容并降价
阿里通义千问推出覆盖识别、合成、实时交互与音频创作的 Audio 3.1 系列，并大幅下调语音调用价格。
发生了什么
阿里通义团队发布 Qwen-Audio 3.1，更新覆盖自动语音识别、文本转语音和实时语音交互三大方向，并新增 TTS-Next 音频创作模型与 ASR-Next 音频理解模型。通义将这套产品定义为覆盖语音理解、生成、交互和创作的完整能力栈。
此次更新还伴随明显降价。阿里方面信息显示，TTS 价格下降约 70%，Realtime 下降约 85%，ASR 降幅最高达到 95%。阿里云 Model Studio 文档显示，Qwen-Audio 3.1 Realtime Plus 支持文本和音频输入输出、函数调用、联网搜索与声音克隆，上下文上限为 262144 个 token。
为什么重要
这次升级的价值不只是增加一个语音模型，而是把语音能力包装成一层通用应用基础设施。开发者可以在同一模型家族内完成转录、语音回复、实时对话、音频生成和音频分析，并把这些能力接入工具调用和网页检索。
降价可能比型号升级更值得关注。语音系统往往服务于长时对话和高频客服流程，音频 token 很容易成为主要成本。更低的调用价格，会让持续语音界面、通话分析和多语言助手更容易进入大规模部署，尤其适合预算敏感的市场。
当然，独立评测仍然不足。现有信息证明了产品覆盖扩大和价格下降，但还不能证明它在延迟、发音、情绪控制或嘈杂多人识别方面领先。尽管如此，完整产品线叠加激进定价，已经释放出一个清晰信号：语音 AI 正从单点能力走向可调用工具的综合平台。