علي بابا تطلق Qwen Audio 3.1: خمسة نماذج جديدة وخفض أسعار واجهات الصوت بنسبة تصل إلى 95%

أطلقت شركة علي بابا عبر فريق Qwen عائلة Qwen Audio 3.1 المكوّنة من خمسة نماذج تغطي التعرف على الكلام (ASR) وتحويل النص إلى كلام (TTS) والتفاعل الصوتي في الوقت الفعلي. ورافق الإطلاق خفض حاد في أسعار واجهات الصوت البرمجية: انخفاض يقارب 70% في تحويل النص إلى كلام، ونحو 85% في النموذج الفوري، وما يصل إلى 95% في التعرف على الكلام.

ماذا تفعل النماذج الخمسة

يحسّن النموذج الأساسي للتعرف على الكلام دقة التعرف متعدد اللغات واللهجات، وينظّف تلقائياً كلمات الحشو والتكرار، وهو أمر مهم لتفريغ المقابلات والمكالمات وتسجيلات الاجتماعات دون معالجة لاحقة ثقيلة. أما ASR-Next فيضيف التعرف على عدة متحدثين مع طوابع زمنية، ويرصد المشاعر والأصوات المحيطة وضجيج الآلات.

وفي جانب التوليد، ينتج نموذج TTS كلاماً متعدد اللغات مع ما تصفه Qwen بنقل طبيعي للصوت بين اللغات. ويُتحكم في المشاعر والسرعة والأسلوب عبر تعليمات نصية بسيطة، مثل: «اقرأ هذا بنبرة حادة آمرة تفرض الاحترام». ويجمع TTS-Next بين نموذج لغوي ومقاربة انتشارية لتوليد الصوت والمؤثرات الصوتية والخلفية الصوتية في تمريرة واحدة.

أما النموذج الخامس فيركّز على التفاعل في الوقت الفعلي: فهو يستمع ويتحدث في آن واحد، ويتيح المقاطعة الفورية. ووفقاً لـ Qwen، عندما يرصد حالة مزاجية منخفضة فإنه يجيب بوتيرة أبطأ وبمزيد من التعاطف.

خفض الأسعار بنسبة تصل إلى 95%

التخفيضات هي الجزء الأبرز في الإعلان. فقد أصبح التعرف على الكلام، وهو عادةً أكبر عبء تشغيلي في المنتجات الصوتية، أرخص بنسبة تصل إلى 95%، وانخفض النموذج الفوري بنحو 85% وتحويل النص إلى كلام بنحو 70%. وبالنسبة للفرق التي تشغّل تفريغاً صوتياً واسع النطاق أو وكلاء صوتيين، فإن ذلك يغيّر اقتصاديات إبقاء خطوط معالجة الصوت تعمل على مدار الساعة.

نشرت Qwen التفاصيل التقنية في مدونتها، وتتوفر النماذج على Qwen Cloud باسم Qwen Audio 3.1.

لماذا يهم ذلك

أصبحت الواجهات الصوتية من أكثر طبقات الذكاء الاصطناعي تنافسية، وتتنافس الشركات المزوّدة على السعر بقدر ما تتنافس على الجودة. وتخفيضات بهذا الحجم في واجهات التعرف والتفاعل الفوري ترفع سقف المنافسة أمام الآخرين وتجعل الميزات الصوتية الدائمة — مراكز الاتصال والمساعدات وأدوات الوصول — أقل تكلفة في التشغيل.