Cinco modelos, una pila
El equipo Qwen de Alibaba publicó Qwen-Audio-3.1 el 23 de septiembre. Son cinco modelos y no uno: versiones mejoradas de los modelos existentes de ASR, TTS y tiempo real, más dos nuevos, ASR-Next para comprensión de audio y TTS-Next para creación de audio.
El modelo ASR estándar maneja 30 idiomas y 16 dialectos chinos, con una respuesta del primer carácter en unos 160 milisegundos. Alibaba dice que además pule la transcripción sobre la marcha, eliminando muletillas y repeticiones.
ASR-Next va más allá de la transcripción. Identifica qué locutor dijo qué y lo marca temporalmente, y detecta emoción, sonido ambiente y ruido de máquinas junto con las palabras. TTS realiza síntesis multilingüe con transferencia de voz entre idiomas, y acepta indicaciones de emoción, velocidad y estilo en texto llano. TTS-Next combina un modelo de lenguaje con un enfoque de difusión para producir voz, efectos de sonido y audio de fondo en una sola pasada. El modelo de tiempo real permite hablar y escuchar a la vez, con interrupción inmediata.
Los precios
Las rebajas son el titular, y son fuertes. Alibaba dice que el reconocimiento de voz baja hasta un 95 por ciento, el modelo de voz en tiempo real cerca de un 85 por ciento y la síntesis de voz alrededor de un 70 por ciento. La empresa no publicó cifras absolutas por unidad junto al anuncio.
Los porcentajes sin base de comparación son una divulgación floja, y conviene señalarlo. Pero la dirección es inequívoca, y es la misma que Alibaba tomó con Qwen3.8-Omni-Flash y con sus modelos de imagen a principios de este mes.
Dónde encaja esto
La voz se ha convertido en el rincón más concurrido y con los precios en caída más rápida del mercado de modelos. Google lanzó la síntesis de voz de Gemini 3.8 con más de 2.000 voces la misma semana. SpaceXAI redujo en dos tercios el error de transcripción de frases cortas y mantuvo su precio. La respuesta de Alibaba es recortar en un orden de magnitud y ampliar la pila al mismo tiempo.
Los dos modelos nuevos son la parte que merece atención. Hoy la mayoría de las cadenas de voz son ensamblajes: un sistema para transcribir, otro para separar locutores, otro para detectar sentimiento, otro para añadir diseño sonoro. ASR-Next y TTS-Next colapsan cada uno varios de esos pasos en una sola llamada al modelo, lo que cambia la estructura de costes de un producto de voz más que un descuento por token.
Lo que Alibaba no ha publicado es una evaluación independiente. Todas las afirmaciones de capacidad son de la propia empresa, y ninguno de los cinco modelos tiene aún una posición en una prueba de terceros. Los precios son verificables en cuanto alguien facture con ellos; las afirmaciones de calidad tardarán más.
