千问一口气发布5款Qwen-Audio-3.1语音模型最高降价95%，同步推出磁吸AI助理QwenNote A2与桌面机器人Eva
发布时间：2026年09月24日 08:30:009月24日，千问发布Qwen-Audio-3.1系列五款语音模型，覆盖ASR、TTS与实时语音三条主线并引入ASR-Next、TTS-Next下一代架构，支持30种语言与16种方言、首字响应160毫秒，ASR方言识别CER最低4.55%，价格最高降幅达95%；同步亮相磁吸在手机背面、自带4G独立联网的AI录音助理硬件QwenNote A2与桌面机器人Eva
五款模型一次发齐，语音三件套全面换代
9月24日，千问发布 Qwen-Audio-3.1 语音模型系列，一口气放出五款模型，覆盖语音识别（ASR）、语音合成（TTS）与实时语音对话（Realtime）三条主线，并在成熟架构之外新增 ASR-Next 与 TTS-Next 两个下一代架构型号。
| 产品线 | 本次型号 | 关键升级 |
|---|---|---|
| 语音识别 ASR | Qwen-ASR-3.1 + ASR-Next | 30种语言、16种方言；方言CER最低4.55% |
| 语音合成 TTS | Qwen-TTS-3.1 + TTS-Next | 同音色跨语种：普通话、粤语、河南话、英、日 |
| 实时语音 Realtime | Qwen-Realtime-3.1 | 首字响应低至160毫秒，支持打断式自然对话 |
在中文方言识别这一国产模型主战场，官方给出的成绩单相当具体：KeSpeech 与 WSYue 6/11 子集上方言 CER（字错率）最低做到 4.55%，为相关子集最优；内部16种方言合集上 CER 为 10.38%；语音翻译（AST）平均语义句准率 82.10%。TTS 侧最受关注的能力是「一套音色跨语种说话」——同一个声音可无缝在普通话、粤语、河南话、英语、日语之间切换，对口播、客服出海类应用是直接利好。
最高降价95%，价格战打到语音层
发布同时，千问宣布全线语音产品大幅降价：
- TTS 平均降价约 70%；
- Realtime 平均降价约 85%；
- ASR 最高降幅达 95%，ASR-Flash 价格降至输入 0.8元、输出 2.7元 每百万token。
语音模型此前一直是多模态调用中相对昂贵的一档，95%的降幅意味着会议纪要、客服质检、短视频字幕这类高频调用场景的成本将被压到近乎可忽略，语音能力从「锦上添花」变为「默认开启」。
两款硬件：磁吸手机的录音助理与桌面机器人
模型之外，千问还展示了两款Agent硬件：
- QwenNote A2：一块可磁吸在手机背面的独立录音助理，自带 4G 联网，脱离手机也能独立完成录音、转写与翻译，主打采访、会议、课堂场景；
- Eva：桌面机器人形态，定位家庭与办公桌场景的语音交互入口。
软件模型与专用硬件同日亮相，表明千问语音团队的目标不只是API供应商，而是在抢占「随时可录、随时可问」的随身AI入口。
行业含义
本周千问正处于云栖发布密集期，但本次语音专场与大模型主线的分工清晰：旗舰模型负责智能上限，语音模型负责把AI推到电话、会议、耳机、家电这些「耳朵和嘴巴」场景。当 ASR 价格降到每百万token不足1元、Realtime 首字响应压到160毫秒时，真人客服外包与传统录音转写服务商的性价比区间将被进一步压缩，语音Agent的规模化部署在成本侧已无实质障碍。