一批五款模型，一次降价三档
云栖大会期间，阿里通义千问团队发布 Qwen-Audio 3.1 系列语音模型：ASR（语音识别）、TTS（语音合成）、Realtime（实时交互）三条现有产品线升级，新增 ASR-Next（音频理解）与 TTS-Next（音频创作）两款新模型，合起来覆盖「理解—生成—交互—创作」四个环节。价格同步下调：语音识别最高降 95%，实时语音约降 85%，语音合成约降 70%。需要指出的是，阿里只公布了百分比，没有给出各档绝对单价，也没有说明折扣对应哪种调用方式，具体价格以官方报价页为准（厂商口径）；各媒体报道的发布日期口径略有出入，集中在 9 月 22 至 25 日之间，降价自 9 月 22 日北京时间起生效的说法来自外媒汇总。
三条老产品线各自补了什么
识别侧的升级最实在。Qwen-Audio 3.1 的 ASR 支持 30 种语言与 16 种中文方言，首字延迟约 160 毫秒，公开方言数据集上平均字错率 4.55%，方言转普通话语义句准确率 82.10%（均为官方测试口径）。新特点是「原生转录润色」：自动去掉口头禅与重复、重组语句，直接输出成稿而非原始转录；支持按说话人分离角色、识别行业热词，打断与重叠语音也能处理。合成侧的 TTS 覆盖 16 种语言与 20 个中文方言区，内置 86 个内联标签标注笑声、呼吸、咳嗽等非语言事件，还支持跨语言音色克隆——同一个品牌音色在普通话、粤语、英语、日语之间保持一致。交互侧的 Realtime Plus 是全双工实时对话，上下文窗口 262,144 个 token，模型说话中途可以插话而不丢上下文，并能依据检测到的情绪状态调整语速语调。
两款新品把「听」和「说」拆成两个工种
结构上更值得注意的是 ASR-Next 与 TTS-Next 的分工。ASR-Next 不再只做音频转文字，而是回答关于音频的问题：识别情绪、区分环境声与机械噪音、描述声音事件并定位发生时间，相当于把「先转写、再接一个文本模型理解」的两段式流程收进一个模型。TTS-Next 则把语音合成扩展为音频生成——语音、音效、环境声在一次调用里产出，不需要多工具串联。媒体测算口径称其 TTS 定价较 ElevenLabs（每百万字符约 100 美元）低约 70%；跨语言品牌音色的一致性，则是海外供应商短期内难以对齐的能力。
与 DeepSeek 的同一周，两个相反方向
这一周中国模型市场出现了少见的对照。DeepSeek 在 8 月把 API 提价 2.3 至 4.5 倍之后，收入跑速翻倍至约 10 亿美元（本站此前已报道）；阿里则把语音 API 价格砍到最高一折。两家动作方向相反，逻辑却同构——都是在自家占优的品类里调价：DeepSeek 靠开源模型积累了难以替代的调用量，提价是在兑现既有位置；阿里语音的份额尚未固化，降价是买位置的支出。对开发者的启示很朴素：转写这类输出容易比对的场景，值得重新报一遍价；生产级的英文语音合成，则要先测质量再谈省钱，ElevenLabs 在英文上的质量口碑仍是换供应商的隐性成本。
降价之外的确定性收益
把云栖大会这条线摆进阿里本季的动作里看，从训推一体芯片真武 V900（本站此前已报道）到语音全线降价，主线是把「全栈自研 + 全线降价」打包成一套面向开发者的成本叙事。语音是其中弹性最大的品类：客服外呼、语言陪练、无障碍读屏这些此前算不过账的场景，95% 的降幅足以改变立项与否。至于降价是否伴随质量与稳定性的取舍、折扣档位的真实门槛、定价何时覆盖更多区域，目前官方及行业暂未披露更多细节，后续将持续跟进迭代动态。