AI语音两天三连发：千问Qwen-Audio-3.1五弹齐发最高降95%，讯飞斑马同日跟进

一、两天三连发：语音AI为何在9月下旬集中爆发

如果你这几天关注国内AI圈，会发现一个明显的信号：语音，正在成为大模型厂商 next battle（下一场战役）的主战场。

9月23日单日，三家公司先后出手：

• 千问（阿里）：正式发布Qwen-Audio-3.1系列语音大模型，ASR（识别）、TTS（合成）、Realtime（实时交互）三大核心模型全面升级，同时推出全新的音频创作模型TTS-Next与音频理解模型ASR-Next，合计五款一次亮相，Qwen-Audio全线语音模型降价，ASR降幅达95%。
• 科大讯飞：发布最新一代语音识别大模型Spark-ASR-2.0，把语音识别从”一字不差地还原”推进到”流畅成文”，9月24日起逐步上线讯飞输入法并开放API。
• 斑马智能：在云栖大会期间发布新一代全模态端侧大模型AutoOmni 2.0-23B-A3B，配套AutoClaw 2.0智舱协作服务实车方案，主打”全车全时免唤醒”。

为什么是现在？三个原因叠加：

第一，云栖大会的窗口效应。9月22日开幕的2026云栖大会上，阿里已经预告了这几款语音模型，同伴厂商显然不想在这个节点缺席——同一天开发布会，既是竞争也是蹭足话题热度。关于云栖大会的全栈布局，我们在此前的文章《阿里云栖”全栈AI”一锅端》里有详细拆解。

第二，Agent落地倒逼语音升级。2026年是Agent元年之后的”落地之年”，而语音是Agent最自然的交互入口。当AI办公Agent已经杀成红海（参见此前报道《AI办公Agent开战：飞书8.0、讯飞AStudio同日亮剑》），”耳朵和嘴”的能力自然成为下一个必争之地——千问这次发布的Realtime模型甚至可以”主动调用Agent工具完成任务”，说得很直白了。

第三，成本曲线到了拐点。国内AI语音产业长期面临落地成本高、功能碎片化的问题，高昂的调用费用一直是中小微企业规模化应用的最大门槛。当模型架构（稀疏化、MoE、KV缓存压缩）把推理成本打下来，价格战就成了水到渠成的事。

二、千问Qwen-Audio-3.1：五款模型摆齐”理解-生成-交互-创作”全链路

千问这次发布最大的亮点不是单点性能，而是产品矩阵的完整性：五款模型覆盖”理解-生成-交互-创作”四个环节，形成了完整的音频能力栈。

1. Qwen-Audio-3.1-ASR：会”润色”的语音识别

新一代语音识别模型最实用的升级是原生转写润色：自动去除语气词、重复表达并重组语义，让转写出来的文字直接可读。以前的语音转文字是”逐字还原”，一堆”呃、嗯、就是说”等着人工清理；现在转写完就是一篇逻辑通顺的文稿。

它还支持角色分离转写，能完整呈现”谁在何时说了什么”，对会议纪要、访谈整理这类场景是刚需级功能。语言覆盖上支持30种语言和16种中文方言，支持行业术语与分级热词识别，并提供低延迟流式识别，首字响应时间约160毫秒。

成绩单方面：在KeSpeech和WSYue公开方言测试集的11个子集中，6个子集成绩优于Doubao-ASR和腾讯Hy-ASR-3.0-preview两款开源模型，平均字错误率（CER）仅4.55%；内部中文方言测试集平均CER 10.38%；AST语义句准确率82.10%。

2. ASR-Next：从”语音中的文字”到”完整音频信息”

基于下一代架构的ASR-Next是这次最有想象空间的产品：它把处理对象从”语音中的文字”扩展到”完整音频信息”，能理解人物情绪、环境声与机械声，完成声音描述、事件定位、音频问答与推理。

翻译一下：你可以直接问它”这段录音里说话人的情绪怎么样”、”刚才那声巨响是什么”，它能听懂并回答。在角色分离ASR评测中，Flash-Next和Flash版本分别拿下5项和3项最佳成绩，全面超越此前的Fun-ASR级别体系。

不过要注意：ASR-Next的API目前还未上架千问AI平台，先攒口碑、后开放调用，节奏拿捏得很稳。

3. Qwen-Audio-3.1-TTS-Next：一个人干掉整个配音团队

过去制作一段完整音频，通常需要主播、音效师、混音师和剪辑师分工协作。TTS-Next采用语言模型与扩散模型协同的统一生成框架，把单一的人声合成扩展为通用音频生成系统——一次生成人声、音效和背景声。

官方给了一个很形象的场景：输入一段深夜天台的双人对话脚本，模型既能讲述旁白、表现不同人物的音色与情绪，也能同时生成城市低鸣、晚风和易拉罐碰撞声等音效与环境音，让对话听起来就发生在故事场景里。

对有声书、播客、游戏、广告、短剧配音这些内容生产场景来说，这是实打实的生产力工具。播客创作者可以重点关注。

4. Realtime：全双工+共情+会调工具

实时语音交互模型的升级方向很明确：更像真人通话。全双工交互能力让用户可以随时插话、打断；模型”听得更懂、更会接话、更会共情”——当识别到用户语气低落时，不再机械回复”我理解你的心情”；更进一步，它可以主动调用Agent工具完成任务，比如你说话间让它订个会议室，它直接把活干了。

5. 配套硬件：QwenNote A2与桌面机器人Eva

同一天，千问办公还发布了两款智能硬件——首款Agent硬件QwenNote A2和桌面机器人Eva，Qwen-Audio-3.1-Realtime会逐步接入这些硬件。模型+硬件一起上，这是奔着”语音Agent终端”的完整体验去的。

小插曲：云栖大会上预告的首个同声传译模型Qwen3.8-LiveTranslate并不在此次发布列表中，看来是留了后手。

三、价格战账本：ASR降95%，语音调用进入”分币时代”

能力升级之外，这次发布最”杀”的还是价格。Qwen-Audio全线语音模型价格下调：TTS降价约70%、Realtime降幅约85%、ASR降幅高达95%。

具体价格如下：

这个价格是什么概念？ASR-Flash每百万tokens输入0.8元——假设一次语音输入平均100 tokens，1块钱大约能转写12万字级别的语音量。语音转写的边际成本已经降到”约等于不要钱”的量级。

对行业的影响是双向的：

• 对开发者：智能客服、会议纪要、播客转写、语音笔记这类应用的API成本直接砍到零头，以前因成本做不了的”全量录音分析”类功能现在可以放开做。
• 对同行：中小语音技术公司的生存空间被进一步挤压。过去靠”语音识别授权费”吃饭的模式，在大厂白菜价API面前基本失效，只能往垂直行业纵深走。

需要提醒的是：大部分模型的API已上架千问AI平台，但ASR-Next暂未上线；价格条款以官方页面为准，实际计费还涉及并发、缓存等细则，接入前建议先用小流量试算。

四、讯飞Spark-ASR-2.0：从”一字不差”到”流畅成文”

同一个下午，科大讯飞发布最新一代语音识别大模型Spark-ASR-2.0。有意思的是，讯飞和千问在产品理念上殊途同归：千问叫”转写润色”，讯飞叫“流畅成文”——语音识别的竞争焦点，已经从”识别得准”升级到”读起来顺”。

官方的原话是：”如果说过去的语音识别追求的是一字不差地还原所说内容，那么Spark-ASR-2.0则更进一步，让识别结果’流畅成文’——在提升识别准确率的同时，结合上下文逻辑与语境理解，精简冗余表达、精修各类细节，让文字更连贯、语义更清晰。”

技术层面，Spark-ASR-2.0延续了Spark-Audio-1.0-Preview语音基座的能力，通过三项关键技术创新实现提升：非自回归与LLM增强自回归协同、中英文混合文本与声学联合增强、动态上下文注入。

三个值得关注的点：

• 成本控制克制：推理成本相对Spark-ASR-1.0仅增加10%——在”效果大涨”的前提下只涨一成成本，这是讯飞作为老牌语音厂商的工程化功底。
• 复杂声学场景是看家本领：与业界最好水平相比，Spark-ASR-2.0在方言、高噪、小音量场景拥有显著优势，主要任务效果均好于业界最优；支持全国202个城市方言免切换识别。车间、工地、户外巡检这些”信噪比感人”的场景，恰恰是HSE（健康安全环境）等行业用户的高频需求。
• 落地路径清晰：9月24日起逐步上线讯飞输入法，通过讯飞开放平台提供API，后续落到AI眼镜、智能办公本、讯飞听见等产品。不是PPT发布，第二天就能用上。

对普通用户来说，最直接的体感是：讯飞输入法的语音输入会明显更”聪明”——中英文混说、带口音、环境嘈杂时识别更稳，输出直接是成文的句子。

五、斑马AutoOmni 2.0：端侧路线，把大模型塞进车机

千问和讯飞都在云端卷，斑马智能选了另一条路：把全模态大模型直接部署在车载硬件本地。

AutoOmni 2.0-23B-A3B采用MoE混合专家架构，总参数23B、激活参数仅3B。在智能座舱场景下，普通任务处理能力堪比10倍参数量级的云模型，复杂任务处理能力达到后者的80%～90%。官方称之为”以小博大”——用端侧的体积，干接近旗舰云模型的活。

为什么车载场景非走端侧不可？斑马智能CTO司罗在现场的金句是：“把端模型刻在芯上，把安全刻在心上。”理由有二：

• 可用性：车驶入隧道、地下车库等信号弱覆盖区域时，云端方案的座舱AI容易”失联”；端侧模型不依赖网络，全时在线。
• 隐私合规：人脸、声纹等生物信息上传云端存在泄露与合规压力；端侧处理意味着数据不出车。

工程数据上，AutoOmni已与10家芯片企业达成合作，通过软硬协同支持8路以上多任务稳定并发，大模型推理加速5～6倍，量化保真度超过99%，运行内存占用减少50%以上。现场演示的功能包括全车全时免唤醒、主动智能迎宾、无感智能停车付费等——不再需要”你好XX”式的唤醒词，车主动听、主动说、主动办。

配合AutoClaw 2.0智舱协作服务实车方案，斑马试图在座舱里复刻”手机上发生过的Agent革命”。智能座舱，可能是语音Agent最先跑通商业闭环的物理场景。

六、竞争格局：豆包、腾讯都在牌桌上

把视野拉远一点，这次”三天三家”只是语音AI大战的一个切面。牌桌上其实还有几位重量级玩家：

• 字节/豆包：豆包语音合成大模型2.0（seed-tts-2.0）与声音复刻大模型2.0（seed-icl-2.0）已在火山引擎开放，支持多语种与多种方言口音；Doubao-ASR则是千问官方测试中的对标基准之一。字节系的优势在于抖音/豆包App的超大C端入口。
• 腾讯：Hy-ASR-3.0-preview同样出现在千问的对标名单里，腾讯混元的语音能力深度绑定微信生态与会议场景。
• 讯飞：输入法+办公本+翻译机+开放平台的”硬件+API”组合拳，是它二十多年语音技术积累的护城河。
• 阿里/千问：这次用”全链路能力栈+最大力度降价”卡位，目标是成为语音应用开发者的默认选项——就像Qwen开源系列在LLM开发者中的地位一样。

一个明显的趋势：语音模型正在从”单点技术”变成”平台能力”。过去你买的是”语音识别服务”，现在你买的是”能听、能说、能共情、能调工具的Agent感官系统”。定价逻辑也随之改变——从按条计费的技术服务费，变成按token计费的云计算生意。

七、开发者选型建议：什么场景用谁

最后给到实用建议。不同场景的优选方案：

三条通用建议：第一，别只看榜单，拿自己的真实音频数据跑AB测试——各家在方言、噪声、专有名词上的表现差异远比公开评测大；第二，关注流式首响延迟，交互类应用160ms和500ms的体感差距是决定性的；第三，锁定价格的同时留意下线公告——这个赛道的模型迭代速度太快，今天的新品可能半年后就进下线名单。

八、趋势判断：语音为什么是下一个超级入口

综合这次”两天三连发”，我们认为语音AI的确定性趋势有三条：

1. 语音是Agent的默认交互层。大模型能力已经溢出到”看懂、听懂、会干活”，但键盘和屏幕仍是人类单向输入。语音是唯一能边走路、边开车、边干活使用的交互方式。当Realtime模型可以直接调用Agent工具，”动嘴办事”从演示变成了产品。

2. 价格战淘汰的不是友商，是”不做AI”的旧产品。ASR降到0.8元/百万tokens输入后，受冲击最大的其实是传统的录音笔转写服务、人工速记、按分钟计费的呼叫中心质检SaaS。AI原生的低价能力会重构整个行业的成本结构。

3. 云端与端侧将长期共存。千问、讯飞卷云端规模与价格，斑马卷端侧效率与隐私，两条路线不是替代关系：云端负责”最强大脑”，端侧负责”永不掉线的条件反射”。未来的语音Agent大概率是端云协同架构——简单指令本地即时响应，复杂任务上行云端。

对普通用户来说，最现实的建议是：把这些新能力用起来。讯飞输入法的升级版语音输入第二天就能体验；千问平台的API价格地板级，哪怕做个”录音自动转周报”的小工具，成本也低到可以忽略。AI语音的”耳朵大战”才刚开打，受益的永远是先动手的用户。