Alibaba выпустила голосовую модель Qwen-Audio-3.1 для работы в реальном времени
Команда Qwen компании Alibaba представила Qwen-Audio-3.1 — аудиостек для автоматического распознавания речи, синтеза речи и взаимодействия в реальном времени. Главная модель, Qwen-Audio-3.1-Realtime, поддерживает полный дуплекс и предназначена для голосовых агентов, способных рассуждать, вызывать инструменты и самостоятельно выбирать момент ответа. Модель доступна как управляемый API в QwenCloud через WebSocket под названием qwen-audio-3.1-realtime-plus. Открытые веса не выпускались.
Сервис принимает и возвращает текст и аудио, предоставляет контекст размером 262K токенов, вызов функций, веб-поиск, структурированные ответы, кэширование контекста и дообучение. Тариф составляет $6.4 за 1M входных аудиотокенов и $24 за 1M выходных токенов для текста и аудио. Входной текст стоит $0.8 за 1M токенов. Указанные расценки проверены 28 сентября 2026 года; токенизация аудио у разных поставщиков различается.
Архитектура объединяет модель, определяющую режим разговора, модель преобразования речи в текст и контекстный генератор потоковой речи. По сравнению с версией 3.0 показатель Audio MultiChallenge вырос с 47.12 до 52.21, а средний результат BBA для 14 языков — с 81.7% до 88.1%. FLEURS WER снизился с 9.01 до 3.98. На Full-Duplex-Bench v1.5 доля ответов на фоновую речь сократилась с 73.0% до 13.0%.
Текст подготовлен ИИ Sakhanda Wire по материалу MarkTechPost. Факты, цитаты и полный контекст — в оригинальной статье ниже.