五個模型、砍價 95%：阿里 Qwen-Audio-3.1 重寫語音 AI 的成本底線

阿里巴巴的 Qwen 團隊從不畏懼價格戰，但這次的發布依然像一記震撼彈。9 月 23 日，團隊推出 Qwen-Audio-3.1，一次性升級整套語音矩陣：五個模型涵蓋語音辨識、語音合成與即時對話，伴隨最高 95% 的 API 降價。在 OpenAI、ElevenLabs、Deepgram 仍以高價銷售音訊智慧的市場裡，阿里巴巴直接重設了整個轉錄與語音品類必須遵守的成本底線。

這次發布了什麼

這不是單一模型，而是一整套協同作戰的產品線。三個既有模型——ASR（自動語音辨識）、TTS（文字轉語音）與 Realtime——完成全面升級，另外新增兩個成員：

• ASR（升級）——主力轉錄模型現在會「自動清理贅詞與重複語句」，不需後處理就能產出乾淨的逐字稿，多語言與方言辨識能力同步提升。
• ASR-Next（新）——理解層。在轉錄之上疊加多說話者身分辨識與個別時間戳、情緒偵測、環境音與機械噪音偵測。換句話說，它告訴你的不只是「說了什麼」，還有「誰說的、何時說、帶著什麼情緒、在什麼背景音之下」。
• TTS（升級）——多語言合成支援「自然的跨語言音色轉換」，情緒、語速與風格透過純文字提示控制，不必再摸索黑盒參數。
• TTS-Next（新）——整個矩陣中架構上最有意思的模型。阿里雲文件將它定位為「AudioGen」模型，能在單次生成中同時產出語音、音效與背景音」，把過去需要串接三套推論系統的工作流程，收攏成一次模型呼叫。
• Realtime（升級）——支援同時說與聽，具備「即時打斷」處理，這種全雙工能力正是對話式語音代理與步行對講機式助理的分水嶺。

阿里雲百鍊（Model Studio）的技術文件進一步揭露 TTS-Next 的企圖心：它接受文字、時間戳與最多三段參考音訊（每段 30 秒）輸入，輸出 WAV/MP3/PCM 格式，支援的任務橫跨多語言 TTS、多說話者對話、播客、電影級聲景、環境音與音效。單次請求的輸出時長在播客場景可達 240 秒，其他場景 120 秒。牌價為輸入每百萬 token 6 元人民幣、輸出每百萬 token 12 元人民幣（未含促銷）。

降價本身就是新聞

模型發布是日常，這種定價不是。根據 The Decoder 的報導，降幅如下：

API	降價幅度
ASR	最高 95%
TTS	約 70%
Realtime	約 85%

砍 95% 不是促銷，而是對整個品類的戰略性重新定價。AI Weekly 的分析一針見血：這次降價「重設了整個轉錄供應商品類必須達到的成本基準，無論你過去的毛利結構建立在什麼之上」。Deepgram、ElevenLabs 與 OpenAI 的音訊 API 如今面對一個不舒服的選擇：跟進新底線並摧毀自己的毛利結構，或者死守價格、把每一個對成本敏感的場景——客服中心、會議轉錄、媒體監測、大規模語音代理——拱手讓給阿里巴巴。

有幾點必須誠實以對。阿里巴巴並未公布優惠價的生效日期，也未說明該價格屬承諾容量還是即時容量。激進的牌價也僅適用於 Model Studio——阿里雲自家的推論平台，這代表完整折扣只落在願意建構在中國雲端基礎設施上的客戶，對受監管的西方企業而言是實際的考量。但對全球大多數開發者來說，訊號再明確不過：語音 AI 正走向「轉錄近乎免費」的時代。

為什麼 TTS-Next 在架構上重要

拋開價格，TTS-Next 指出了音訊生成的下一步。今天要產出一段精緻的播客或影片配樂，得串接一條編排管線：一個模型負責旁白、第二個負責音效、第三個負責環境音鋪底，再手動混音。TTS-Next 單次生成語音、音效與背景音，直接壓垮這條管線——就像多模態 LLM 曾對「文字加圖片」工作流程做過的架構整併一樣。

透過時間戳輸入的「靈活時序控制」同樣實用：創作者可以把旁白釘在特定時間點，不必反覆重新生成。加上長輸出下的一致音色與多說話者對話支援，這個模型瞄準的是專業製作場景——短影音、播客、影視與遊戲音訊——而非展示用的玩具。

另一方面，升級後的 Realtime Plus 搭載 262K token 的上下文視窗，足以讓語音代理帶著完整對話歷史、工具呼叫結果與應用狀態走完整場會話。這讓阿里巴巴的競爭面從轉錄供應商延伸到即時代理編排——正是 OpenAI Realtime API 與一群語音代理新創激烈爭奪的地盤。

脈絡：語音大戰正在升溫

Qwen-Audio-3.1 並非憑空出現。同一週，Nvidia 釋出 Nemotron 3 Diarization，一個免費的 1 億參數模型，可即時辨識最多八位說話者，目前以 14.7% 的錯誤率領先 VoiceArena 說話者分離基準。OpenAI 推出三項 ChatGPT 語音升級，包含外掛支援與可自選的後端模型。根據 AI Weekly 的追蹤，Google 也有自家語音發布正在路上。

讓阿里巴巴這次與眾不同的是「組合拳」：逼近前沿的能力加上激進的價格傘。Nvidia 的分離模型免費但功能單一；OpenAI 的語音升級精緻但走高價路線。Qwen-Audio-3.1 押注的是：在語音領域（比文字領域更甚），價格彈性主導一切，而代理工作量的爆發將流向任何把音訊智慧做到近乎免費的廠商。

對正在打造語音代理、會議機器人或媒體管線的企業，實際建議很直接：現在就拿 Qwen-Audio-3.1 與你現有的技術棧做基準測試。即使資料居留或法規限制讓你留在西方供應商，這條新的價格底線也該寫進每一次的合約談判裡。對產業其他人而言，這次發布再次提醒我們：在當前的 AI 週期中，最具破壞力的產品功能，往往就是帳單上的數字。