Qwen-Audio-3.1 五款语音模型齐发：能力、价格、开源 Agent 框架一篇说清

资讯 2026-09-29 20:34

2026 年 9 月 23 日，千问在云栖大会上发布了 Qwen-Audio-3.1 系列语音大模型。这次不是单个模型迭代，而是一次放出五款——语音识别、语音合成、实时交互各有一个主力型号，另外新增一个音频理解模型和一个音频创作模型，官方称之为覆盖"理解—生成—交互—创作"的完整音频能力栈。

同时全线降价，ASR 最高降幅 95%。但这里有个容易被标题盖过的细节：这次降价伴随了一次计费单位变更，账面降幅和你的实际账单不是一回事，后面会细说。

还有一件事对开发者可能比模型本身更重要：千问开源了一个实时语音 Agent 框架 Qwen-Audio-Agent，Apache-2.0 许可。

五款模型分别管什么

1. Qwen-Audio-3.1-ASR：把转写变成能直接用的稿子

覆盖范围：一套模型支持 30 种语言和 16 种中文方言
速度：支持低延迟流式识别，边说边转写，首字响应约 160 毫秒
原生润色：自动去掉语气词、重复表达和自我纠正，再重组语义，输出更接近成稿
分角色转写：端到端把说话人标签、时间戳和文本联合输出，还能保留短插话和重叠语音
术语一致性：支持行业词、专业实体和分级热词，并能参考长音频的历史上下文，让人名、缩写和专业术语前后一致

官方给出的评测数字：在 KeSpeech 和 WSYue 的 11 个方言子集上平均 CER 4.55%，其中 6 个子集最优；在自建的中文方言测试集上平均 CER 10.38%，11 个方言子集最优，温州话这类难懂方言提升明显；方言转普通话的 AST 平均语义句准率 82.10%。分角色评测中，Flash-Next 和 Flash 在四个测试集共八项指标里分别拿下五项和三项最优，官方称全面优于此前的 Fun-ASR 级联方案。

但官方文档里有两个硬限制要看清楚：这个模型的上下文长度是 8192 Token，最大输入 7168 Token、最大输出 1024 Token，定位是短语音识别；长音频要走 filetrans 那个版本。

2. Qwen-Audio-3.1-ASR-Next：从"听懂话"到"听懂声音"

这款基于下代架构，换掉了处理对象——不再是"语音里的文字"，而是"完整的音频信息"。

能理解人物情绪、环境声和机械声
能做声音描述、事件定位、音频问答与推理
官方举的例子是"这段录音中人的情绪怎样"这类问题

注意：发布时这款的 API 还没有上线，官方说法是即将推出。别急着排期。

3. Qwen-Audio-3.1-TTS：同一副嗓子说几种语言

多语种、多方言合成，核心差异点是同一音色跨语言自然迁移——录一遍中文音色，能直接生成英文、日文或粤语
支持 free-style 指令遵循和细粒度标签控制，可以用指令调情绪、语气、角色、语速、音量
做声音复刻时，对含噪声、混响的参考音频鲁棒性更强，不必先跑一遍降噪
Flash 版本主打低延迟，支持流式合成

4. Qwen-Audio-3.1-TTS-Next：一次生成一整段声景

这是本次最有辨识度的一款。官方把它定义为 Audiogen 模型，不再是"把文字读出来"，而是围绕文本、时间戳和参考音频，一次生成人声、音效和环境音。适用任务包括多语种 TTS、单人说话、多人对话、播客、影视剧声景、环境音与音效。

官方文档给的参数很具体，做方案时可以直接照着排：

最大输入 3000 字符
单次生成音频时长上限：播客 240 秒（4 分钟），其他场景 120 秒
参考音频最多 3 条，单条最长 30 秒、不超过 10 MB，格式限 WAV / MP3 / OGG Opus，不支持裸 PCM
输出最高 48kHz，格式 WAV / MP3 / PCM，非流式
目前只支持中文和英文

5. Qwen-Audio-3.1-Realtime：能同时说和听

全双工：说和听同时进行，用户可随时插话、打断
共情：识别到用户语气低落时，不机械回复"我理解你的感受"，而是放慢语速、换更贴合语境的措辞
能办事：对话中可调用工具，连接 API、知识库和业务系统完成任务
基于多教师蒸馏架构，官方称在保持低延迟的同时增强事实可靠性与安全边界
已接入 Qoder、Qwen Office 等 Agent，以及千问 AI 眼镜这类硬件

官方模型 qwen-audio-3.1-realtime-plus 的规格：上下文 262,144 Token，最大输入 245,760，最大输出 16,384；默认音色 longanqian_v3.1；支持工具调用、联网搜索和声音复刻。

但有一个必须知道的限制：联网搜索（enable_search）不能和 Function Calling 同时启用。如果你的 Agent 既要查资料又要调工具，架构上得提前安排。

顺带开源的 Qwen-Audio-Agent，可能是更实用的那部分

千问这次开源了面向实时语音 Agent 的框架 Qwen-Audio-Agent，仓库为 QwenAudio/qwen-audio-agent，Apache-2.0 许可。

截至 2026 年 9 月 29 日，该仓库有 2815 个 star、277 个 fork，2026 年 7 月 27 日建仓，最近一次推送是 9 月 28 日，仍在活跃维护（数据取自 GitHub 官方接口）。

它解决的问题很具体：以前你用语音让 Agent 去查资料或改文件，话说完了，接下来是漫长的安静——任务没结束，话也聊不下去。这个框架把前台对话和后台任务拆成两条可以并行的链路：能直接答的立刻答，需要工具或长时间处理的交给后台 Agent，执行过程中还能追问进度、追加约束、取消任务，完成后结果自动回到当前对话。

它不替代你现有的 Agent，而是复用你已经配好的模型、工具、MCP、Skill 和认证。可接入的后台 Agent 包括：

原生 ACP：Qwen Code、OpenCode、OpenClaw、Qoder、MiniMax Code、Kimi Code、Hermes、CodeBuddy、DeepSeek Harness
外部 ACP 适配：Codex、Claude Code、Pi

语音前台也可以换。官方列出的选项有 Qwen Audio Realtime、OpenAI Realtime / GPT-Live、Google Gemini Live、Qwen3.5-Omni Realtime、Qwen3.8 Omni Flash Realtime、豆包 Seeduplex 3.0 Realtime、StepAudio 3 Realtime，以及可以本地部署的 Hugging Face Speech-to-Speech 和 MiniCPM-o 4.5。交互端提供浏览器 WebUI、终端 TUI 和桌面悬浮球（macOS / Windows / Linux）。

官方还放出了技术报告，arXiv 编号 2609.25195。

价格：看懂降幅之前，先看懂计费单位变了

官方口径是全线降价：TTS 约 70%、Realtime 约 85%、ASR 最高 95%。但这里有个容易忽略的点——ASR 从"按音频秒数计费"改成了"按 Token 计费"。单位换了，百分比是在两把不同的尺子上量的，不能直接当成账单降幅。

阿里云百炼官方页面上的现价（北京地域，原价，不含活动优惠）：

qwen-audio-3.1-asr-flash：输入 0.8 元 / 百万 Token，输出 2.7 元 / 百万 Token
qwen-audio-3.1-tts-flash：输入 1.5 元 / 百万 Token，输出 12 元 / 百万 Token
qwen-audio-3.1-tts-next：输入 6 元 / 百万 Token，输出 12 元 / 百万 Token
qwen-audio-3.1-realtime-plus：文本输入 5 元、音频输入 40 元、文本输出 40 元、音频输出 150 元（均为每百万 Token）

换算时的关键一点：音频的 Token 消耗基本按固定速率折算（社区普遍引用的换算是一秒音频约 25 个 Token），所以输入侧可预测，输出侧不可预测——四个人密集发言的技术讨论，输出 Token 会远高于一问一答夹长停顿的访谈。想估算成本，拿你自己最"密"的那段音频跑一遍，别拿平均样本线性外推。

免费额度方面，只有华北 2（北京）地域的部分模型有，其他地域没有；ASR 相关额度一般是 10 小时 / 90 天。具体以百炼控制台为准。

上手三步

只想调模型 API 的话，去阿里云百炼开通、拿 API Key 就能用，模型 ID 就是上面列的那几个。

想体验"边聊边干活"的实时语音 Agent，走开源框架这条路：

确认环境：Node.js 22.22.2+ 或 24.15.0+，npm 10+
全局安装：npm install -g qwen-audio-agent
先跑 qwenaudio config 生成配置并填入 DASHSCOPE_API_KEY；然后一个终端跑 qwenaudio 启动 Gateway，另一个终端跑 qwenaudio tui，或者用 qwenaudio webui 打开浏览器界面

配置里的 AGENT_PROTOCOL 决定后台接哪个 Agent，不设置或设为 none 就是纯前台模式——只聊天，不干活。

几个容易踩的坑

模型权重没有开源。本次开源的是 Agent 框架，五款模型都走 API。据第三方模型数据库和社区检索，Hugging Face 上目前没有 Qwen-Audio-3.1 系列的官方权重仓库，能看到的 Qwen/Qwen-Audio 属于上一代。另外别把它和开源的 Qwen3-ASR 轻量权重（0.6B / 1.7B）混为一谈，那是另一条独立产品线。想本地部署的话，短期内等不到。
ASR-Next 的 API 发布时未上线，官方说的是即将推出。
Realtime Plus 的联网搜索和 Function Calling 互斥，这是官方文档明写的。
TTS-Next 只支持中英文，且有 3000 字符输入上限和生成时长上限，而且是非流式的，不适合实时对话。
限流不高：ASR-flash 的 RPM 是 600，TTS-flash 和 TTS-next 的 RPS 只有 3，Realtime Plus 是 RPM 60 / TPM 100,000。做压测或批量任务前先对一下。
开源框架的默认语音前台仍是 3.0。仓库配置示例里默认写的是 qwen-audio-3.0-realtime-plus，要用 3.1 得自己改配置项。
平台差异：macOS 桌面版默认支持带回声消除的全双工对话；Linux 和 Windows 的 TUI 默认是半双工模式。

一句话总结

Qwen-Audio-3.1 的价值不在于某一个模型变强了，而在于把语音这条链路拆成了可组合的标准件——识别、理解、合成、创作、实时交互各有专门的入口，再配一个开源的编排框架把它们串起来。对做语音产品的团队来说，这是"接口齐了、成本降了一个数量级"的时刻；但真正的成本精算，还得跑你自己的音频样本。

参考来源

阿里云百炼（Model Studio）官方模型文档：qwen-audio-3.1-asr-flash、qwen-audio-3.1-tts-flash、qwen-audio-3.1-tts-next、qwen-audio-3.1-realtime-plus 四个模型页——价格、上下文限制、限流、能力支持项均以此为准
千问 Qwen-Audio-3.1 官方发布材料：五款模型的定位、评测数据与降价幅度（经 IT之家、凤凰网科技、上海证券报等媒体转载）
GitHub 仓库 QwenAudio/qwen-audio-agent 及其中文 README：star / fork / 许可证 / 提交时间取自 GitHub 官方 API
第三方整理（非官方口径，仅供估算参考）：模型权重的开源状态、音频 Token 换算速率

说明：本文为介绍与解读，未在本地实测。所有参数与价格均引自阿里云百炼官方模型文档和官方发布材料；标注"第三方整理"的部分请以官方页面为准。价格与活动随时可能调整，正式采购前请核对百炼控制台。