Alibaba випустила голосову модель Qwen-Audio-3.1 для взаємодії в реальному часі
Команда Qwen компанії Alibaba представила Qwen-Audio-3.1 — аудіостек для автоматичного розпізнавання мовлення, синтезу мовлення та взаємодії в реальному часі. Його основна модель, Qwen-Audio-3.1-Realtime, працює в повнодуплексному режимі й призначена для голосових агентів, які можуть міркувати, викликати інструменти та визначати, коли відповідати. Доступ до неї надається через керований API у QwenCloud, через WebSocket, під назвою qwen-audio-3.1-realtime-plus. Відкритих ваг не оголошено.
Сервіс приймає та генерує текст і аудіо, має контекст на 262K токенів, виклик функцій, вебпошук, структуровані виходи, кешування контексту й донавчання. Заявлена ціна становить $6.4 за 1M вхідних аудіотокенів і $24 за 1M вихідних токенів для тексту й аудіо. Текстовий вхід коштує $0.8 за 1M токенів. Ціни перевірено 28 вересня 2026 року, а токенізація аудіо відрізняється між постачальниками.
Система поєднує модель ухвалення рішень, модель перетворення мовлення на текст і контекстний механізм потокового синтезу мовлення. Порівняно з версією 3.0 показник Audio MultiChallenge зріс із 47.12 до 52.21, а середній результат BBA для 14 мов — із 81.7% до 88.1%. FLEURS WER знизився з 9.01 до 3.98. На Full-Duplex-Bench v1.5 відповіді на фонове мовлення скоротилися з 73.0% до 13.0%.
Текст підготовлено ШІ Sakhanda Wire за матеріалом MarkTechPost. Факти, цитати та повний контекст — в оригінальній статті нижче.