Qwen-Audio

Qwen-Audio-3.0 系列语音模型（ASR/TTS/Realtime 三款）正式上线千问 AI 平台与阿里云百炼平台，开发者可通过 API 调用并订阅 Token Plan 使用；该系列已在千问 App、千问办公、Qoder 等产品中应用，并在 Artificial Analysis 7 月语音榜单斩获识别、实时交互、合成三赛道全球第一。

阿里发布语音识别大模型 Qwen-Audio-3.0-ASR-Flash：上下文一致性、行业词识别与热词定制化三项系统性优化，新增语音润色能力可输出结构化文本；内置医疗、IT编程、股票、社会名人等领域词库，医疗场景识别率突破 95.36%；已在会议纪要、实时字幕、教育录播、智能客服等场景验证，并以 1.7% 错字率登顶 Artificial Analysis ASR 榜单。

Qwen-Audio-3.0-TTS Flash 与 Plus 两款语音合成模型已在 OpenRouter 平台上线，开发者可通过 OpenRouter API 统一调用，支持 16 种语言、自然语言指令及 [gasp]、[giggles]、[angry] 等内联情绪提示。

阿里巴巴发布语音合成大模型Qwen-Audio-3.0-TTS，含实时交互Flash版（首包延时300ms级）与高质量Plus版。支持在文本中嵌入[gasp]、[giggles]、[angry]等细粒度结构化标签精确控制语气情绪；覆盖16种语言并新增阿拉伯语/越南语/马来语/菲律宾语，方言强化训练支持20种中国方言；语音克隆可在高噪声高混响环境过滤干扰，输出从24kHz提升至48kHz，单次合成最长3分钟。两款模型即日起在阿里云百炼开放调用，Plus版登顶Artificial Analysis榜单。

阿里巴巴发布Qwen-Audio-3.0-Realtime实时语音交互对话模型，在智商、Agent工具调用、共情对话和双工交互流畅度四条主线同步升级。无需明确指令即可自行调用外部工具，调用结果自动融入对话记忆；支持FunctionCall标准协议引入MCP、API、知识库；内置多模态感知双工控制子模型，支持边说边听、随时打断插话。模型API预留audio_prompt字段可锁定声纹。

阿里巴巴最新文本转语音模型 Qwen-Audio-3.0-TTS-Plus 在 Artificial Analysis 语音竞技场排行榜上以 1,236 Elo 分登顶提供商语音类别第一名，超越 Simba 3.2、Gemini 3.1 Flash TTS 和 Sonic 3.5。定价为每百万字符 27.59 美元，生成速度每秒 16 字符。