阿里云栖大会升级 Qwen-Audio 3.1：能听懂情绪、按脚本生成整段有声内容，同传延迟压到 2.5 秒
2026年9月23日0 次阅读
阿里云栖大会升级 Qwen-Audio 3.1：能听懂情绪、按脚本生成整段有声内容，同传延迟压到 2.5 秒
9月22日的云栖大会上，阿里巴巴把语音模型家族 Qwen-Audio 3.1 一整套换了新架构，涵盖语音转写、语音合成、实时语音交互三大系列，还头一回亮出了同声传译模型。以下内容基于多家媒体转述整理（新浪科技、富途、Bastille Post 等），功能细节以官方后续公布为准。
这次升级了什么
简单说，阿里的语音模型这次不是只换引擎，而是把"听、说、翻译"三件事一起做了换代：
- 听懂声音（Qwen-Audio-3.1-ASR-Next）：新版音频理解模型不只是把语音转成文字，还能识别人物情绪、音乐、环境声和机械声，可以回答"这段录音里的人情绪怎么样"这类问题，也支持声音描述、事件定位和音频问答。
- 直接生成整段有声内容（Qwen-Audio-3.1-TTS-Next）：这是变化最大的一块。给一段文字脚本，模型能直接生成把对白和环境声融合在一起的完整音频——接近"电影级声景"。以前做有声书、影视、播客要配音、配环境音、再混音，现在一步生成。
- 实时交互更强（Qwen-Audio-3.1-Realtime）：能"边听、边想、边说"，增强了多语言交互、角色扮演和共情能力。这类能力直接决定语音助手和 Agent 听起来像不像在"对话"而不是在"放录音"。
- 同声传译首秀（Qwen3.8-LiveTranslate）：人类同传的平均延迟在 4 秒以上，这个新模型能把延迟压到 2.5 秒以内，对实时跨语言沟通是实质性改善。
为什么值得注意
过去语音 AI 的重心在"把话听清、把字念顺"，这次升级把重点移到了声音场景理解和有声内容生成上。对做有声书、影视、播客、游戏的团队来说，从脚本直接出成品音频意味着制作成本和时间都会下降；对语音 Agent 开发者来说，更低的延迟和更强的多语言能力，直接决定产品能不能上线用。
已经落地在哪些产品
媒体转述称，Qwen-Audio 3.1 系列已应用于千问办公和 Qoder，并接入 QwenNote A2 随身助理、QwenNote Eva 桌面机器人和千问 AI 眼镜等硬件；LiveTranslate 则接入千问 AI 眼镜、QwenNote A2 和钉钉耳机。同场发布的还有面向手机的全栈 AI 方案 Qwen Intelligence。这说明阿里的策略很明确：语音模型要尽快跑进终端，而不是停在 API 演示阶段。
需要注意的限制
本次信息来自多家媒体对云栖大会现场的转述，目前尚未见到官方基准数据、定价或开放下载的说明。功能描述（如"电影级声景"）是厂方说法，实际效果仍要以官方文档和实测为准。
参考来源
- 新浪科技：阿里云下代语音模型发布，Qwen落地多款智能终端（2026-09-22）
- 富途：阿里语音模型家族 Qwen-Audio-3.1 全新升级
- Bastille Post：Alibaba Unveils Roadmap on Full-Stack AI Strategy（Qwen3.8-LiveTranslate / Qwen-Audio-3.1-TTS-Next）