سری مدل‌های بزرگ گفتاری Qwen-Audio-3.1 به‌طور رسمی منتشر شدند. این به‌روزرسانی نه تنها سه مدل اصلی تشخیص گفتار، سنتز گفتار و تعامل صوتی بلادرنگ را به‌طور جامع ارتقا می‌دهد، بلکه دو مدل جدید خلق صوت یعنی Qwen-Audio-3.1-TTS-Next و Qwen-Audio-3.1-ASR-Next را نیز معرفی می‌کند. پنج مدل جدید به‌طور همزمان عرضه شده‌اند و یک پشته توانمندی صوتی کامل را تشکیل می‌دهند که شامل «درک - تولید - تعامل - خلق» است. برای کاهش بیشتر موانع استفاده، قیمت تمامی مدل‌های صوتی کیو ون کاهش یافته است که در این میان قیمت TTS حدود ۷۰ درصد، مدل بلادرنگ حدود ۸۵ درصد و تشخیص گفتار (ASR) تا ۹۵ درصد ارزان‌تر شده‌اند.
عرضه همزمان پنج مدل و کاهش ۹۵ درصدی قیمت ASR
مدل Qwen-Audio-3.1-ASR نسل جدیدی از سیستم‌های تشخیص گفتار است که قابلیت‌های پاکسازی متن بومی را اضافه کرده و به‌طور خودکار کلمات اضافی و عبارات تکراری را حذف و معناشناسی را سازماندهی مجدد می‌کند. قابلیت رونوشت مبتنی بر نقش در این مدل می‌تواند به‌طور کامل نشان دهد که «چه کسی، چه چیزی را چه زمانی گفته است» و سوابق ساختاریافته قابل پیگیری را برای جلسات و مصاحبه‌ها فراهم می‌کند. این مدل از ۳۰ زبان، ۱۶ گویش چینی، اصطلاحات تخصصی و تشخیص کلمات داغ رتبه‌بندی شده پشتیبانی می‌کند و تشخیص جریانی با تاخیر کم را با زمان پاسخگویی کاراکتر اول حدود ۱۶۰ میلی‌ثانیه ارائه می‌دهد.
مدل ASR-Next بر اساس معماری نسل بعدی، شیء پردازشی را از «متن در گفتار» به «اطلاعات صوتی کامل» گسترش می‌دهد تا احساسات، صداهای محیطی و مکانیکی را درک کرده و توصیف صدا، موقعیت‌یابی رویداد و استدلال پرسش و پاسخ صوتی را انجام دهد.
در بخش سنتز گفتار، Qwen-Audio-3.1-TTS از سنتز چندزبانه و گویشی پشتیبانی می‌کند و به همان صدای واحد اجازه می‌دهد به‌طور طبیعی بین زبان‌های مختلف جابه‌جا شود. کاربران می‌توانند احساسات، سرعت و بیان را از طریق دستورالعمل‌ها کنترل کنند. مدل جدید TTS-Next فراتر رفته و با یکپارچه‌سازی متن، نشانگرهای زمانی و صدای مرجع، صداهای انسانی، جلوه‌های صوتی و صداهای محیطی را تولید می‌کند و محتوای صوتی کامل را یکجا می‌سازد.
از درک تا خلق؛ تبدیل گفتار به نقطه ورود طبیعی هوش مصنوعی
مدل تعامل بلادرنگ Qwen-Audio-3.1-Realtime از یک معماری دوطرفه کامل استفاده می‌کند که امکان صحبت کردن و گوش دادن همزمان را فراهم می‌سازد و از قطع کردن صحبت در هر زمان پشتیبانی می‌کند. این مدل از تشخیص متن به درک احساسات و نیت ارتباطی ارتقا یافته است؛ به این صورت که با تشخیص خلق‌وخوی پایین کاربر، سرعت گفتار را کاهش داده و واژگان را تنظیم می‌کند. همچنین از جابه‌جایی چندزبانه بلادرنگ پشتیبانی کرده و وظایف را با فراخوانی APIها، پایگاه‌های دانش و ابزارهای سیستم تجاری در طول مکالمات انجام می‌دهد.