Компания Alibaba представила модель Qwen-Audio-3.1-Realtime, доступную через управляемый API на платформе QwenCloud. Модель поддерживает текстовые и аудиовходы и выходы с контекстным окном 262 000 токенов. Лимиты использования составляют 60 запросов и 100 000 токенов в минуту.
Стоимость аудиовхода составляет $6,4 за 1 миллион токенов, текстового входа — $0,8 за 1 миллион токенов. Вывод данных стоит $24 за 1 миллион токенов, при этом текстовый вывод не тарифицируется. Модель поддерживает вызов функций, веб-поиск и структурированный вывод.
Для офлайн-транскрипции длинных аудиофайлов выпущена модель Qwen-Audio-3.1-ASR-Flash-Filetrans. Она поддерживает многоязычность, разделение спикеров и распознавание диалектов. Цена использования составляет $0,15 за 1 миллион входных токенов и $0,47 за 1 миллион выходных токенов.
Система использует модель принятия решений для полнодуплексного взаимодействия. Обучение проводилось с применением методов Core-Cocktail SFT и дистилляции. Задержка остановки при прерывании составляет 1,116 секунды, тогда как у GPT-Realtime-2 этот показатель равен 0,383 секунды.
Согласно тестам Full-Duplex-Bench v3.0, частота слов-паразитов снизилась с 0,7590 до 0,2960. В ходе тестирования с участием людей модель получила оценку 92,00%, уступив GPT-Realtime-2 с результатом 96,00%. Открытые веса для моделей на 28 сентября 2026 года не анонсированы.
