Alibaba lanza Qwen-Audio-3.1 y recorta hasta 95% el precio de sus modelos de voz
El equipo de Qwen presentó una familia de cinco modelos de audio —reconocimiento, síntesis de voz y conversación en tiempo real, más dos modelos nuevos— junto con recortes de precio de hasta 95% en la API.
Alibaba presentó Qwen-Audio-3.1 en la conferencia Apsara 2026, una actualización que cubre toda la pila de audio del stack Qwen: reconocimiento de voz (ASR), síntesis de voz (TTS) y conversación en tiempo real, más dos modelos nuevos, TTS-Next y ASR-Next. TTS-Next combina un modelo de lenguaje con un enfoque de difusión para generar voz, efectos de sonido y audio de fondo en una sola pasada, mientras que ASR-Next agrega identificación de múltiples hablantes con marcas de tiempo y detección de emociones, sonido ambiente y ruido de maquinaria.
El modelo de ASR mejora el reconocimiento multilingüe y de dialectos y limpia automáticamente muletillas y repeticiones del texto transcrito; el de TTS permite controlar emoción, velocidad y estilo mediante instrucciones de texto simples y soporta transferencia de voz entre idiomas. Junto con el lanzamiento, Alibaba Cloud recortó precios de forma agresiva: TTS baja alrededor de 70%, Realtime cerca de 85% y ASR hasta 95%, dependiendo del modelo y volumen.
Para desarrolladores que evalúan proveedores de voz para asistentes o pipelines de accesibilidad, el combo de cinco modelos cubriendo todo el ciclo —entender, generar, interactuar y crear audio— bajo una sola API, sumado al recorte de precio, cambia de forma notable el cálculo de costo frente a alternativas como las APIs de voz de OpenAI o Google.