Fem modeller, en stack
Alibabas Qwen-team släppte Qwen-Audio-3.1 den 23 september. Det är fem modeller och inte en: uppgraderade versioner av de befintliga ASR-, TTS- och realtidsmodellerna, plus två nya, ASR-Next för ljudförståelse och TTS-Next för ljudskapande.
Standardmodellen för taligenkänning klarar 30 språk och 16 kinesiska dialekter, med första tecknet ute efter omkring 160 millisekunder. Alibaba uppger att den dessutom putsar transkriptionen löpande och tar bort utfyllnadsord och upprepningar.
ASR-Next gör mer än att transkribera. Den avgör vem som sa vad och tidsmärker det, och känner av känsla, omgivningsljud och maskinljud vid sidan av orden. TTS gör flerspråkig syntes med röstöverföring mellan språk, och tar emot anvisningar om känsla, hastighet och stil som vanlig text. TTS-Next kombinerar en språkmodell med en diffusionsansats för att skapa röst, ljudeffekter och bakgrundsljud i ett enda svep. Realtidsmodellen klarar att tala och lyssna samtidigt, med omedelbar avbrytning.
Priserna
Prissänkningarna är rubriken, och de är kraftiga. Alibaba uppger att taligenkänning faller med upp till 95 procent, realtidsmodellen med omkring 85 procent och talsyntes med ungefär 70 procent. Bolaget publicerade inga absoluta styckpriser i samband med beskedet.
Procenttal utan utgångsläge är en svag redovisning, och det är rimligt att påpeka. Men riktningen går inte att ta miste på, och det är samma riktning Alibaba tog med Qwen3.8-Omni-Flash och med sina bildmodeller tidigare i månaden.
Var det här hör hemma
Rösten har blivit den trängsta delen av modellmarknaden, och den där priserna faller snabbast. Google släppte Gemini 3.8:s talsyntes med fler än 2 000 röster samma vecka. SpaceXAI skar transkriptionsfelet för korta fraser med två tredjedelar och behöll priset. Alibabas svar är att sänka med en tiopotens och samtidigt bredda stacken.
De två nya modellerna är det som är värt att följa. De flesta röstkedjor i dag är hopsättningar: ett system som transkriberar, ett som skiljer talare åt, ett som känner av sentiment, ett som lägger på ljuddesign. ASR-Next och TTS-Next slår var för sig ihop flera av de stegen till ett enda modellanrop, vilket förändrar kostnadsbilden för en röstprodukt mer än en rabatt per token gör.
Vad Alibaba inte har publicerat är oberoende utvärdering. Varje påstående om förmåga kommer från bolaget självt, och ingen av de fem modellerna har ännu en placering i ett test från tredje part. Priserna går att kontrollera så snart någon faktureras efter dem; kvalitetspåståendena tar längre tid.
