Компания Alibaba представила серию голосовых моделей Qwen-Audio-3.1, включающую пять новых решений для понимания, генерации, взаимодействия и создания аудиоконтента. В линейку вошли модели Qwen-Audio-3.1-TTS-Next и Qwen-Audio-3.1-ASR-Next.
Разработчик снизил цены на все продукты линейки Qwen-Audio. Стоимость TTS-сервисов сократилась примерно на 70%, Realtime-решений — на 85%, а инструментов автоматического распознавания речи (ASR) — на 95%.
Модель Qwen-Audio-3.1-ASR поддерживает 30 языков и 16 китайских диалектов. Система обеспечивает потоковое распознавание с задержкой первого символа около 160 миллисекунд, поддерживает разделение спикеров и автоматическую стилистическую правку текста.
Новая модель Qwen-Audio-3.1-TTS позволяет генерировать полноценные аудиодорожки, включая человеческую речь, звуковые эффекты и фоновые шумы. Система поддерживает клонирование голоса, управление эмоциями и вывод звука с частотой 48 кГц.
Обновленный Qwen-Audio-3.1-Realtime поддерживает полнодуплексный режим общения, позволяя пользователю перебивать бота. Модель способна распознавать эмоции, сохранять контекст при смене языка и вызывать внешние инструменты через API для выполнения задач.
Технологии внедряются в программные продукты Qoder и Qwen Office, а также в аппаратные устройства, такие как умные очки Eva и Leqi. Это позволяет пользователям запускать выполнение задач с помощью голосовых команд без использования ПК или смартфона.
