Sakhanda Wire
NVDA $152.08 -2.60% MSFT $505.84 -2.35% GOOGL $279.73 -1.41% META $618.09 -1.33% AMZN $256.12 -0.63%
← Към новините

Alibaba представи гласов модел Qwen-Audio-3.1 за разговори в реално време

Екипът Qwen на Alibaba представи Qwen-Audio-3.1 — аудиосистема, която обхваща автоматично разпознаване на реч, синтез на реч и взаимодействие в реално време. Основният компонент, Qwen-Audio-3.1-Realtime, е модел за пълен дуплекс, предназначен за гласови агенти, които могат да разсъждават, да използват инструменти и да решават кога да говорят. Достъпът е през управляван API в QwenCloud, чрез WebSocket и модела qwen-audio-3.1-realtime-plus. Отворени тегла не са обявени.

Услугата приема и генерира текст и аудио, поддържа контекст от 262K токена, извикване на функции, уеб търсене, структурирани изходи, кеширане на контекста и дообучаване. Обявената цена е $6.4 за 1M входни аудио токена и $24 за 1M изходни токена за текст и аудио. Текстовият вход струва $0.8 за 1M токена. Цените са проверени на 28 септември 2026 г.; аудио токенизацията се различава между доставчиците.

Системата съчетава модел за решения, модел за преобразуване на реч в текст и механизъм за генериране на реч с оглед на контекста. Спрямо версия 3.0 резултатът Audio MultiChallenge се повишава от 47.12 на 52.21, а средната стойност за 14-езиковия BBA — от 81.7% на 88.1%. FLEURS WER спада от 9.01 на 3.98, а отговорите към фонов разговор намаляват от 73.0% на 13.0%.

Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.

Първоначално публикувано от MarkTechPost на

Прочетете оригинала в MarkTechPost ↗

Репортажът и изображението принадлежат на MarkTechPost и са посочени по-горе с връзка към оригинала; текстът на тази страница е собствено изложение на Sakhanda Wire.

← Към новините

Още новини

Всички последни новини