9月23日，在2026云栖大会上，阿里巴巴发布Qwen-Audio-3.1系列语音大模型，语音转写（ASR）、语音合成（TTS）和实时语音交互（Realtime）三类模型全面升级，API服务均已上架千问AI平台。同时，为进一步降低用户使用成本，Qwen-Audio全线语音模型价格均下调，最高降幅达95%。
在语音转写方面，Qwen-Audio-3.1-ASR进一步增强多语种、方言识别与上下文理解能力，并新增原生转写润色能力，可自动去除语气词与重复表达并重组语义，让转写的文字更顺畅、更有逻辑。同时，基于下代架构的音频理解模型Qwen-Audio-3.1-ASR-Next全新发布，它能够理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理，让“这段录音中人的情绪怎样”这样的问题能够被理解和准确回答。
在语音合成方面，基于下代音频创作模型Qwen-Audio-3.1-TTS-Next全新亮相。过去，制作一段完整音频通常需要主播、音效师、混音师和剪辑师分工合作，分别制作人物对白、音效和背景声，再进行后期剪辑与合成。新模型采用语言模型与扩散模型协同的统一生成框架，将单一的人声合成扩展为通用音频生成系统，可实现一次生成人声、音效和背景声，大幅提升有声书、影视剧、播客、游戏、广告等专业创作效率。现在，输入一段深夜天台的双人对话脚本，模型既能讲述旁白、表现不同人物的音色与情绪，也能同时生成城市低鸣、晚风和易拉罐碰撞声等音效与环境音，让对话听起来就发生在故事场景里。
在语音实时交互方面，全新升级的Qwen-Audio-3.1-Realtime听得更懂，更会接话，更会共情，甚至可以主动调用Agent工具完成任务。现在，新模型与人的交互完全可以做到同时说和听，这种极强的全双工交互能力让用户可以随时插话、打断，交流体验更接近真人通话。模型还增强了共情能力，当识别到用户语气低落时，不再机械回复“我理解你的感受”，而是放慢语速，以更贴合语境的方式回应。同时，阿里开源了面向实时语音Agent的框架Qwen-Audio-Agent，帮助开发者快速搭建面向不同场景的实时语音Agent，也让用户以更自然、流畅的语音对话调用Agent。
- 阿里云Meoo 1.0发布：“一句话做应用”向企业开放 – 2026年9月23日
- 千问办公启动“AI教育灯塔计划”，首批签约超100家 – 2026年9月23日
- 阿里云发布繁花计划2.0，云市场正式升级为AI应用市场 – 2026年9月23日