本次上线五个音频模型，覆盖识别、合成、实时交互、理解和创作，主要接口已进入千问AI平台，下一代理解接口待开放；价格表同步呈现下调后的计费区间，便于会议、播客、有声书和智能硬件接入。
9月23日，千问推出 Qwen-Audio-3.1 系列语音模型，涉及 ASR、ASR-Next、TTS、TTS-Next、Realtime 五条产品线，把识别、理解、合成与实时交流放入同一组合。调用侧主要落在千问 AI 平台，除 ASR-Next API 仍处待上线状态外，其余接口已对外可用。
识别方向上，Qwen-Audio-3.1-ASR 扩大语音到文字的处理范围，能力覆盖 30 种语言与 16 种中文方言，并利用长音频历史上下文维持人名、术语等专业实体稳定。它可在端到端链路内一并返回发言人标识、对应时刻和对应文字，支持轮流发言、短暂插话和重叠语音等复杂情形；新加入的转写整理机制能够去掉语气词、删减重复表达并重新组织语句，服务会议、访谈和对话分析中的结构化记录需求。流式传输场景下，首字延迟约为 160 毫秒。
ASR-Next 进一步把处理对象扩展为音频整体，而非只关注语音里的文字。此类能力可围绕人物情绪、环境声和机械声进行描述、事件定位与问答推理，也可面对夹杂对白、背景音乐和现场声音的材料给出多层次解析。语音合成方面，常规 TTS 能在同一音色基础上完成跨语言输出，并以指令调节情绪和语速；TTS-Next 则面向音频内容制作，统一生成人声、音效与环境声，支持多角色音色复制、细粒度时间戳与 48kHz 输出，适配播客、有声书、影视和游戏等制作场景。
Realtime 强调全双工连续交互，用户可以随时打断，模型也能在多语言之间切换、感知情绪并在对话过程内调用外部工具。这一形态正在结合 Qoder、千问办公等智能体产品与千问 AI 眼镜等终端设备，用于探索语音作为人机交互入口的应用。
商业层面，本次调价给出三组降幅：TTS 约 70%，Realtime 约 85%，ASR 达 95%。明细价例显示，Qwen-Audio-3.1-ASR-Flash 输入 0.8 元、输出 2.7 元/百万tokens；Qwen-Audio-3.1-TTS-Flash 输入 1.5 元、输出 12 元/百万tokens；Qwen-Audio-3.1-TTS-Next 输入 6 元、输出 12 元/百万tokens；Qwen-Audio-3.1-Realtime-Plus 按档位输入 5～40 元、输出 40～150 元/百万tokens。性能数据同时列出若干评测结果：KeSpeech 与 WSYue 相关子集平均字错误率 4.55%，其中 11 个子集中的 6 个优于 Doubao-ASR 和 Tencent Hy-ASR-3.0-preview；中文方言自建集平均字错误率 10.38%；方言转普通话平均语义句准率 82.10%。在 9 月 22 日开启的 2026 云栖大会语境中，相关模型曾被提前预告，并附带同声传译模型 Qwen3.8-LiveTranslate 的信息。