大模型的演进，已从文本对话一路延伸至语音交互。
9月23日，在2026云栖大会上，阿里发布了Qwen-Audio-3.1系列语音大模型，全面升级语音转写（ASR）、语音合成（TTS）及实时语音交互能力。其中，主打音频创作的Qwen-Audio-3.1-TTS-Next模型备受瞩目。
传统有声书制作需主播、音效师、混音师等多工种接力协作。而Qwen-Audio-3.1-TTS-Next将上述环节整合至单次生成中：输入脚本，即可同步输出人声、音效及环境声，并精准编排声音的出场顺序。
一个模型，重构了传统音频制作流水线。
面对创作者对场景演绎、角色区分及声场构建的高阶需求，千问语音模型距离“一人音频工作室”还有多远？我们对其进行了三场真实的“声音试镜”。
声音试镜 Round 1：都元婴期了，怎么还得上交手机？
首项测试聚焦修仙漫剧的反差演绎。我们设计了一段“满级大佬重回新手村”的喜剧脚本：修士苦修两千年成就元婴，重返地球却仍需像大一新生般上交手机。
【修士】：闭关三百年，今日，本座终于——
【老师】：手机交一下。
【修士】：此乃传音法器。
【老师】：法器也不能带进考场。
【修士】：本座渡过九重雷劫。
【老师】：那正好，这张卷子也是九道大题。
【修士】：……能补考吗？
这段戏的难点在于角色气场的对立：修士需具备威严，老师则需展现出极度平静的敷衍。我们上传了原角色30秒音频作为音色参考，并将新台词与表演要求输入模型。不到一分钟，一段27秒的音频生成完毕。
测试亮点：音色还原与情绪表达的完美融合。
模型不仅高度还原了角色音色，更将音效、背景音与语气词自然交织。人物表演与环境音效配合默契，听感上已具备漫剧片段的完整性。这种设计大幅降低了创作者分别配音、搜集音效并逐项拼接的成本，可作为高质量的声音初稿。
声音试镜 Round 2：让 AI 聊“活人感”，谁先绷不住？
漫剧可依靠音效烘托戏剧张力，而播客则极度依赖人声的自然度。为测试模型的“活人感”，我们模拟了一段三人播客对话，探讨“活人感是新的伪人感”这一话题。
测试要求三人具备鲜明的声音特征与表达方式：A认真解释，B一本正经地拆台，C冷不丁补刀。背景仅保留轻微底噪，且未提供任何角色参考音频。这极大考验了多人声音的一致性与上下文语境的控制力。
测试亮点：自然对话流与微表情级声音细节。
生成的音频中，角色间的接话、抢话、忍笑及含混的尾音处理得极为自然，甚至连提示词中要求的轻微方言感也恰到好处。答案是：这三位“熟人脸”，声音均完全由Qwen-Audio-3.1-TTS-Next生成。AI成功演绎出了真实的“活人感”。
声音试镜 Round 3：AI 志怪短片的悬疑感，能从声音里单独成立吗？
最后一轮测试提升了空间构建的难度，要求纯靠声音撑起悬疑场景。我们原创了一段志怪短剧：年轻人搭上末班渡船，船夫警告离岸后不可答应任何呼唤，此时岸上却传来了母亲的声音，随后脚步声更在耳畔响起。
【船夫】坐稳。离了岸，谁叫你，都别应。
【年轻人】要是家里人呢？
【船夫】尤其是家里人。
【岸上女人】小远——饭都凉了，怎么还不回来？
【年轻人】妈？她怎么找到这儿了……
【船夫】别回头。你听，她在岸上走。
【年轻人】那怎么了？
【船夫】船都划出去这么远了，脚步声怎么还在你耳边？
【女人，近处】问你话呢，怎么不应啊？
核心难点在于母亲声音的空间变化：从岸边远景的呼唤，到近景在耳边的低语，需保持身份认同，同时改变发声方式与距离感。此外，水声、船行与脚步声需建立准确的空间对照，以凸显异常感。
测试亮点：精准的空间距离感与环境声叙事。
模型出色地完成了这道“空间题”。母亲的声音在远景与近景间自然切换，老船夫沧桑笃定的音色也完美立住了人设。环境声不仅用于铺垫气氛，更精准地承担了叙事线索。这意味着创作者可直接围绕剧情编排声音，让环境音成为故事的核心驱动力。
能听懂、能创作、能聊天之后，语音还能做什么？
回顾三轮试镜，Qwen-Audio-3.1-TTS-Next展现了从音色复刻、自然对话到空间声场构建的全面进化。创作者已能直接通过文本描述场景，快速获得高质量的声音初稿。对于个人及中小团队而言，这极大降低了音频试错与打磨的门槛。
放眼整个Qwen-Audio-3.1系列，其能力边界仍在不断拓宽。按照发布信息，三大模块同步升级：转写端增强了上下文理解与文本润色处理；创作端实现了跨语言合成的自然音色保持；实时交互端则支持边听边说、随时打断及工具调用。
当这些能力接入同一应用，创作者可以口述故事，让AI整理脚本并生成声音小样，甚至通过自然语言随时调整细节。机器开始迁就人的节奏，技术拼图已基本备齐。
能听懂、能创作、能聊天，正让语音成为连接人、内容与AI的自然入口。
当语音不再仅仅是输入方式，而是能够表达需求、开启创作并推动任务执行的协作媒介时，大模型的语音交互能力已真正迈入了一个新的阶段。