一套模型覆盖识别、合成与实时对话，Qwen-Audio-3.1来了 专注AIGC技术的专业社区，关注大语言模型（LLM）的发展和应用落地，聚焦LLM及AI技术的市场研究和开发者生态，欢迎关注！* 语音模型正在从“把声音转成文字”，走向“理解声音、生成声音，再直接完成任务”。 阿里这次更新的Qwen-Audio-3.1系列，集中覆盖语音识别、语音合成、实时交互和音频创作。公开信息中涉及ASR、ASR-Next、TTS、TTS-Next和Realtime五个模型或方向。 其中最有辨识度的，是Qwen-Audio-3.1-TTS-Next。它不再只负责把文字读出来，而是尝试把人物对白、环境声和动作音效一次生成出来。 先让语音转写更像一份成稿 传统语音识别的结果，往往是一大段没有层次的文字。多人说话时，谁在发言、什么时候插话，通常还要人工整理。 Qwen-Audio-3.1-ASR把重点放在了上下文和结构化处理上。 它支持多语种和中文方言识别，可以输出说话人标签、时间戳和转写文本，也能结合上下文识别人名、行业词和专业术语。 在会议、访谈和客服场景中，模型不仅要记录“说了什么”，还要尽量还原“谁