Команда Qwen представила серию из пяти моделей Qwen-Audio 3.1, предназначенных для задач распознавания речи (ASR), синтеза текста в речь (TTS) и взаимодействия в реальном времени. Новые ASR-модели улучшили поддержку мультиязычности и диалектов, а также научились автоматически удалять слова-паразиты и повторы. Версия ASR-Next способна идентифицировать нескольких спикеров, проставлять временные метки и распознавать эмоции, фоновые шумы и звуки техники. Модель TTS-Next использует сочетание языковой модели и диффузионного подхода для генерации голоса, звуковых эффектов и фонового аудио за один проход. Модель для взаимодействия в реальном времени поддерживает одновременную речь и прослушивание с возможностью мгновенного прерывания. Согласно заявлению Qwen, при обнаружении подавленного настроения собеседника модель может реагировать медленнее и с большей эмпатией. Наряду с релизом Alibaba значительно снизила стоимость доступа к API: цены на TTS упали на 70%, на Realtime — на 85%, а на ASR — до 95%.