Alibaba משיקה את Qwen Audio 3.1: חמישה מודלים חדשים והורדת מחירים של עד 95%

צוות Qwen של Alibaba השיק את Qwen Audio 3.1 — משפחה של חמישה מודלים המכסים זיהוי דיבור (ASR), המרת טקסט לדיבור (TTS) ואינטראקציה קולית בזמן אמת. לצד ההשקה הורידה החברה בחדות את מחירי ממשקי ה-API הקוליים: המרת טקסט לדיבור בירידה של כ-70%, מודל ה-realtime בכ-85% וזיהוי הדיבור בעד 95%.

מה עושים חמשת המודלים

מודל זיהוי הדיבור המרכזי משפר זיהוי רב-לשוני ודיאלקטים ומנקה אוטומטית מילות מילוי וחזרות — דבר חשוב לתמלול ראיונות, שיחות טלפון והקלטות פגישות בלי עיבוד מקדים כבד. ASR-Next מוסיף זיהוי של כמה דוברים עם חותמות זמן, ומזהה רגשות, צלילי רקע ורעשי מכונות.

בצד הסינתזה, מודל ה-TTS מייצר דיבור רב-לשוני עם מה ש-Qwen מכנה העברת קול טבעית בין שפות. אפשר לשלוט ברגש, במהירות ובסגנון באמצעות הנחיות טקסט פשוטות, למשל: "קרא את זה בטון חד וסמכותי שתובע כבוד". TTS-Next משלב מודל שפה עם גישה דיפוזיונית כדי לייצר קול, אפקטים קוליים ואודיו רקע במעבר אחד.

המודל החמישי מתמקד באינטראקציה בזמן אמת: הוא מאפשר לדבר ולהאזין בו-זמנית ולקטוע אותו באופן מיידי. לפי Qwen, כשהמודל מזהה מצב רוח ירוד הוא עונה לאט יותר ובאמפתיה רבה יותר.

הורדות מחירים של עד 95%

ההורדות הן החלק הדרמטי ביותר בהודעה. זיהוי דיבור, בדרך כלל עומס העבודה הכבד ביותר במוצרים קוליים, הופך לזול בעד 95%; מודל ה-realtime יורד בכ-85% וההמרה מטקסט לדיבור בכ-70%. עבור צוותים שמפעילים תמלול בהיקף גדול או סוכנים קוליים, מדובר בשינוי בכלכלה של תהליכי אודיו שפועלים כל הזמן.

Qwen פרסמה פרטים טכניים בבלוג שלה, והמודלים זמינים ב-Qwen Cloud תחת השם Qwen Audio 3.1.

למה זה חשוב

ממשקים קוליים הפכו לאחת השכבות התחרותיות ביותר בערימת ה-AI, והספקיות מתחרות במחיר לא פחות מאשר באיכות. קיצוץ בסדר גודל כזה בממשקי זיהוי ו-realtime מעלה את הרף מול מתחרים והופך תכונות קוליות שפועלות תמיד — מוקדי שירות, עוזרים אישיים וכלי נגישות — לזולות יותר להפעלה.