در تاریخ ۲۳ سپتامبر، تیم مدل بزرگ Qwen از سری جدید مدل‌های صوتی بزرگ Qwen-Audio-3.1 رونمایی کرد که مجموعه‌ای کامل از قابلیت‌های صوتی شامل درک، تولید، تعامل و خلق محتوا را پوشش می‌دهد. این سری شامل تشخیص گفتار Qwen-Audio-3.1-ASR، درک صوتی ASR-Next، تبدیل متن به گفتار TTS، تولید صوتی TTS-Next و تعامل بلادرنگ Realtime است. رابط‌های برنامه‌نویسی (API) این محصولات روی پلتفرم Qwen AI قرار گرفته‌اند و API مدل ASR-Next نیز به زودی عرضه خواهد شد. همزمان با این عرضه، تمامی محصولات مشمول تخفیف‌های چشمگیری شده‌اند؛ به‌طوری‌که قیمت TTS حدود ۷۰ درصد، Realtime حدود ۸۵ درصد و ASR تا ۹۵ درصد کاهش یافته است.
در زمینه قابلیت‌ها، مدل ASR تشخیص چندزبانه و لهجه‌ها و همچنین درک متنی را بهبود بخشیده است. این مدل اکنون از ویرایش بومی رونوشت‌ها (حذف خودکار کلمات تکراری و پرکننده)، رونوشت‌برداری مبتنی بر نقش و خروجی همزمان برچسب‌های گوینده، مهر زمانی و متن پشتیبانی می‌کند. یک مدل از ۳۰ زبان و ۱۶ لهجه چینی پشتیبانی می‌کند و زمان پاسخ‌دهی اولین کلمه برای تشخیص جریانی حدود ۱۶۰ میلی‌ثانیه است.
مدل ASR-Next بر اساس معماری نسل بعدی توسعه یافته و درک صوتی را از متنِ درون گفتار به احساسات، صداهای محیطی و مکانیکی گسترش داده است. مدل TTS از انتقال طبیعی رنگ صدا در زبان‌های مختلف پشتیبانی کرده و احساسات و سرعت گفتار را از طریق دستورالعمل‌ها کنترل می‌کند. مدل TTS-Next برای تولید محتوای صوتی طراحی شده و تولید صدای انسانی، جلوه‌های صوتی و صداهای محیطی را یکپارچه می‌کند. تعامل بلادرنگ Realtime نیز بر اساس معماری تقطیر چندمربیه (multi-teacher distillation) ساخته شده است.
در حال حاضر، مدل Realtime با ایجنت‌هایی مانند Qoder و Qwen Office و سخت‌افزارهای هوشمندی مانند عینک هوشمند Qwen AI ادغام شده است تا روند تبدیل صدا به یک رابط طبیعی برای تعامل انسان و رایانه ادامه پیدا کند.
Qwen-Audio-3.1-ASR: قابل دسترس در پلتفرم Qwen AI
Qwen-Audio-3.1-TTS: قابل دسترس در پلتفرم Qwen AI
Qwen-Audio-3.1-TTS-Next: قابل دسترس در پلتفرم Qwen AI
Qwen-Audio-3.1-Realtime: قابل دسترس در پلتفرم Qwen AI
(API مدل Qwen-Audio-3.1-ASR-Next به زودی عرضه خواهد شد)