过去十年，人类与机器的交互大多围绕文字展开：人输入文字，机器理解文字，再以文字反馈结果。但真实世界并不只由文字组成。一场两小时的会议，除了“说了什么”，还有谁在说、语气如何、观点如何变化；一次实时对话，也不只是把语音转成文字，还要理解情绪、环境和上下文，判断什么时候该倾听、什么时候该回应；一次声音创作，则不只要求发音正确，还要让音色、角色、情绪和节奏真正服务于内容。
当声音被压缩成一段文本，许多重要信息也会随之丢失。随着语音大模型的发展，声音正在从一种“等待被转换的信息”，逐渐成为 AI 理解世界、连接用户和创造内容的原生媒介。
最近发布的 Qwen Audio 3.0 系列，围绕真实语音场景形成了三项核心能力：Qwen-Audio-3.0-ASR-Flash 负责把话听准、把内容写清；Qwen-Audio-3.0-TTS 负责生成自然、可控且具有表现力的声音；Qwen-Audio-3.0-Realtime 则让 AI 能够边听、边想、边说，并在对话中调用工具完成任务。三类模型共同覆盖“识别—生成—交互”的完整链路，也让会议记录、内容创作、智能客服、情感陪伴、教育与无障碍等应用拥有更坚实的技术底座。
这一次，语音不再只是 AI 的输入和输出格式，而正在成为人与智能系统协作的新入口。
这一次，语音不再只是 AI 的输入和输出格式，而正在成为人与智能系统协作的新入口。
▎Qwen-Audio-3.0-ASR-Flash：不只“听清”，更要结合上下文“听懂”
实验室里的语音识别常常比拼字准率，真实世界的问题却复杂得多。会议里会出现人名、产品名和企业黑话；医疗、金融、法律等场景包含大量专业术语；自然口语中还有停顿、重复、自我纠正和中途改口。真正可用的语音识别，既要准确还原声音，也要理解上下文，并把口语整理成可继续使用的信息。
Qwen-Audio-3.0-ASR-Flash 将语音识别从单句转写推进到面向真实场景的上下文理解。
首先是更稳定的长音频上下文一致性。模型在识别当前片段时，可以参考前文已经出现的话题、人物和关键词，减少同一个姓名或技术概念在不同片段中反复“变写法”的问题。上下文随对话自动积累，不需要用户提前准备完整词表，特别适合会议、访谈、课程和长时间口述。
其次是更强的行业词与专属热词识别。模型针对医疗、IT 编程、股票等领域进行了专项增强；企业还可以按业务场景配置产品名、人名、项目代号等专属热词，并通过分级机制兼顾命中率与误触发率。团队内部评测显示，医疗场景行业词“听中率”达到 95.36%，热词在各测试集上的“听中率”均超过 90%，多数场景超过 99%。这意味着语音识别可以更快适应企业自己的知识语境，而不是让用户反复手工纠错。
更进一步，模型把语音润色直接纳入识别过程。面对“然后、那个、不是，我的意思是……”这类自然口语，模型能够去除无意义填充、合并重复表达、保留自我纠正后的真实意图，并输出更接近书面表达的文本。团队评测中，润色文本的平均可读性评分由 2.55 提升至 3.43，优秀可读率由 30.75% 提升至 59.27%，效果与“先识别、再调用文本模型润色”的两步方案基本持平，却减少了一次额外处理。
在多语种方面，模型将中文、英语、日语、泰语、越南语、阿拉伯语等 30 种语言集成在同一套能力中，并支持多语言混合识别。对于跨国会议、国际客服和多语言内容生产，用户不必频繁切换模型，也能获得连贯的转写体验。
语音识别结果：공개매수는 경영권 확보를 위해 주식을 장외에서 정해진 가격으로 사는 건데 공개매수가 발표되면 해당 주식의 주가는 보통 상승합니다.
（公开收购是指为了取得经营权，在场外按照指定价格购买股票。公开收购发布后，相关股票的价格通常会上涨。）
语音识别结果：Apakah perasaan anda apabila pertama kali mengetahui anda akan mewakili sekolah ataupun negeri ke peringkat kebangsaan?
（当你第一次得知自己将代表学校或所在州参加全国级别的活动时，你是什么感受？）
▎Qwen-Audio-3.0-TTS：从“正确发音”走向“真实表达”
如果说语音识别解决的是“AI 能否听懂人”，语音生成解决的就是“AI 能否像人一样表达”。当合成语音跨过发音准确的及格线，真正决定体验的，开始变成声音是否自然、情绪是否到位、角色是否稳定，以及在复杂环境和多语言场景下能否保持一致。
Qwen-Audio-3.0-TTS 面向生产级语音生成，在多语种、可控性、声音复刻和长音频质量等维度进行了系统升级，并提供 Plus 与 Flash 两种版本：Plus 更适合有声书、广告、品牌内容等重视音质和表现力的场景；Flash 更适合语音助手、智能客服和快速预览等对响应速度更敏感的场景。
模型支持 16 种语言，并针对广东、重庆、东北、上海、四川等 20 个中文方言地区进行强化。Plus 版本在 16 种语言的说话人相似度评测中均排名第一，平均相似度达到 82.75。对于内容出海、跨语言配音和地方化表达，这不仅意味着“能说更多语言”，也意味着同一个声音在跨语种生成时仍能保持可辨识的音色特征。
在控制方式上，Qwen-Audio-3.0-TTS 同时提供两种互补路径。通过 Free-style 自然语言指令，用户可以直接描述“温柔但克制”“像悬疑片旁白一样压低声音”“语速稍快、带一点兴奋”等表达目标，无需掌握专业声学参数；通过 [gasp]、[giggles]、[angry] 等细粒度标签，创作者又可以对某一句、某个词甚至一次呼吸进行局部控制。宏观风格与微观细节可以组合使用，让声音不只是朗读文字，而是在表演内容。
声音复刻也更加适应真实素材。通过声学仿真训练，模型将语音增强能力融入复刻流程：即使参考音频存在噪声、混响或清晰度不足，仍能尽量保留目标音色并输出高质量语音。音频采样率由 24kHz 提升至 48kHz，单次可生成最长 3 分钟的内容，减少长篇叙事中频繁切段造成的音色和韵律跳变。
从有声书和播客，到游戏角色、影视配音、广告素材与短视频出海，Qwen-Audio-3.0-TTS 正在让“声音创作”从专业制作环节变成可以被自然语言直接驱动的生产能力。
▎Qwen-Audio-3.0-Realtime：边听、边想、边说，也能在对话中把事办完
传统语音助手通常采用“语音识别—文本模型—语音合成”的串联流程：等用户说完，再逐步处理并回复。每一层都可能增加等待，也会在转成文字时损失语气、情绪和环境信息。真正自然的实时交互，需要 AI 在同一个连续过程中理解声音、组织回答并生成语音，还要知道何时倾听、何时回应，以及用户中途插话时该如何调整。
Qwen-Audio-3.0-Realtime 将实时交互的目标从“更快回复”推进到“更懂对话”。模型可以根据上下文动态调整语气、节奏、音调和情绪：讨论中保持逻辑与口语感，角色扮演时遵循人物设定，面对用户的犹豫或低落时以更合适的方式回应。声音中的副语言信息不再被简单丢弃，而会参与模型对意图和关系的判断。
自然对话的另一个关键是双工控制。双方可以同时说话，模型则综合声学信号、语义内容和说话人特征，区分背景噪声、无意义附和与真正的插话。其智能语义轮次能力可以减少“用户还没说完，AI 就抢答”或“用户已经改口，AI 仍沿着旧问题继续说”的情况；通过传入目标用户的参考音频，还可以在多人或嘈杂环境中增强对主说话人的锁定。
Qwen-Audio-3.0-Realtime 还将工具调用带入实时语音对话。模型可以根据口语指令判断何时继续交流、何时查询外部信息或触发业务系统，并在多轮对话中处理条件补充、临时改口和多步骤任务。一个智能客服不再只是回答“怎么查账单”，而是可以在获得授权后直接调用账单接口；一个车载助手也不只是告诉用户路线，而是能够结合途中新增条件重新规划并执行后续操作。
在模型能力背后，多教师 On-Policy Distillation 架构分别吸收口语多轮偏好、通用问答与推理、Agent 工具调用以及音频理解等能力，让模型在对话自然度、推理能力、任务执行和声音理解之间取得平衡。面向不同业务需求，系列同样提供 Plus 与 Flash 版本，并通过 WebSocket 进行流式音频输入和语音、文本输出。
▎从三类模型到千行百业：让声音成为可沉淀、可执行、可创造的生产力
当语音识别、语音生成和实时交互分别成熟，声音的价值便不再局限于“转写一段录音”或“朗读一篇文章”。围绕 Qwen Audio 3.0 系列，一批新的下游应用正在变得可行。
在企业协作与知识沉淀中，会议、访谈、培训和随手口述可以被实时转写、整理并生成摘要与待办；行业词、企业热词和长上下文能力，让语音资料能够更可靠地进入知识库和工作流。在服务与业务执行中，智能客服、销售助手、营销外呼、车载助手和设备控制可以通过全双工对话理解临时补充与打断，并连接订单、账单、日程或工单系统完成任务。在内容生产与全球化中，播客、有声书、游戏角色、广告、短视频配音和多语言本地化可以通过自然语言控制声音风格，显著降低试音、录制和返工成本。在教育、陪伴与无障碍场景中，具有情绪感知和表达能力的语音系统，也能为语言学习、阅读辅助、老年陪伴与视障服务提供更自然的交互方式。未来，家居、汽车、可穿戴设备与机器人同样可能通过声音获得更低门槛、更贴近人的智能入口。
CosyVoice Studio 应用系列，是这套能力走向具体生产场景的一组代表性实践。其中：
CosyFlow 面向语音记录与理解，可将口述、会议和访谈转成结构化文本、章节纪要与待办事项；
CosyCreative 面向 AI 音频创作，将声音复刻、音色选择、播客、有声书和专业编辑整合到同一工作台；
CosyAgent 则面向实时语音助手搭建，让用户通过角色设定、知识库、工具和音色配置创建专属 Agent，并接入售前咨询、售后服务、营销外呼等业务场景。
目前，Qwen Audio 3.0 系列相关能力已陆续通过千问 AI 平台（阿里云百炼）开放，其中 Qwen-Audio-3.0-TTS 与 Qwen-Audio-3.0-Realtime 均提供 Plus、Flash 版本；面向终端用户，CosyVoice Studio 则进一步把模型能力封装为可直接使用的产品体验。对开发者而言，这是一套从 API 到应用的语音技术底座；对普通用户而言，它意味着不必理解模型之间如何切换，只需要开口，声音就能被理解、被执行，也能被重新创造。
从“听见”，到“听懂并回应”，再到“用声音完成工作与创作”，Qwen Audio 3.0 系列正在推动语音从交互方式升级为新的生产力入口。
