Alibaba выкатила линейку Qwen-Audio-3.1: пять моделей для распознавания речи, синтеза и взаимодействия в реальном времени. Цены снижены на 70–95%. Что внутри. Пять отдельных моделей: улучшенный ASR с многоязычным распознаванием и автоочисткой от слов-паразитов; ASR-Next с определением говорящих, эмоций и фоновых звуков; TTS с кросс-языковым переносом голоса; TTS-Next на связке языковой модели и диффузии — генерирует голос, звуки и фон за один проход; модель реального времени, которая одновременно слушает и говорит. Цена. ASR подешевел на 95%, TTS — на 70%, Realtime — на 85%. Точные прайсы не названы, но в абсолютных цифрах падение обещают кратное. Настройка. Голосом теперь можно управлять через текстовые промпты — это упрощает интеграцию TTS в приложения без возни с параметрами. Независимых тестов и сравнений с тем же Whisper нет. Для real-time модели не раскрыты ни характеристики железа, ни задержка — а это критичные параметры для интерактивных сценариев. Что это значит: Alibaba закрепляет позицию поставщика полного стека AI-аудио по доступным ценам. Для разработчиков голосовых интерфейсов — сигнал к практическому тесту.