Alibaba Qwen Audio 3.1-i təqdim etdi: beş yeni model və API qiymətlərində 95%-ə qədər endirim

Alibaba-nın Qwen komandası Qwen Audio 3.1-i buraxdı — nitqin tanınması (ASR), mətnin səsə çevrilməsi (TTS) və real vaxtda səsli qarşılıqlı əlaqəni əhatə edən beş modellik ailə. Buraxılışla yanaşı şirkət səs API-lərinin qiymətlərini kəskin endirdi: TTS təxminən 70%, real vaxt modeli 85%, nitqin tanınması isə 95%-ə qədər ucuzlaşdı.

Beş model nə edir

Nitqin tanınması üzrə əsas model çoxdilli və dialekt tanınmasını yaxşılaşdırır, doldurucu sözləri və təkarları avtomatik təmizləyir — bu, müsahibələrin, zənglərin və görüş yazılarının ağır əlavə emal olmadan transkripsiyası üçün vacibdir. ASR-Next isə daha irəli gedir: vaxt işarələri ilə bir neçə danışanı tanıyır, həmçinin emosiyaları, fon səslərini və texnika səs-küyünü aşkarlayır.

Sintez tərəfdə TTS modeli çoxdilli səs çıxarır və Qwen-in təsvirinə görə səsi dillər arasında təbii şəkildə ötürür. Emosiya, sürət və üslub sadə mətn göstərişləri ilə idarə olunur, məsələn: “Bunu hörmət tələb edən kəskin, əmr tonu ilə oxu”. TTS-Next isə dil modelini diffuziya yanaşması ilə birləşdirərək səsi, səs effektlərini və fon audiosunu bir keçidlə yaradır.

Beşinci model real vaxtda qarşılıqlı əlaqəyə yönəlib: eyni anda həm dinləyir, həm danışır və istənilən anda sözünü kəsməyə imkan verir. Qwen-ə görə, düşgün əhval-ruhiyyə aşkarladıqda daha yavaş və daha çox empatiya ilə cavab verir.

Qiymətlər 95%-ə qədər enir

Elanın ən səs-küylü hissəsi qiymət endirimləridir. Səs məhsullarında adətən ən böyük yük olan nitqin tanınması 95%-ə qədər ucuzlaşdı; real vaxt modeli təxminən 85%, mətnin səsə çevrilməsi isə 70% endi. Böyük həcmdə transkripsiya və ya səs agentləri işlədən komandalar üçün bu, daim işləyən audio proseslərinin iqtisadiyyatını dəyişir.

Qwen texniki təfərrüatları öz bloqunda yayımlayıb, modellər isə Qwen Cloud-da Qwen Audio 3.1 adı ilə təqdim olunur.

Niyə vacibdir

Səs interfeysləri AI yığınının ən rəqabətli qatlarından birinə çevrilib və provayderlər keyfiyyətlə yanaşı qiymətə də rəqabət aparır. Tanıma və real vaxt API-lərində bu miqyasda endirim digər oyunçular üçün çıxış səviyyəsini qaldırır və daim aktiv səs funksiyalarını — çağrı mərkəzlərini, köməkçiləri, əlçatanlıq alətlərini — istismarda daha ucuz edir.