据每日经济新闻 2026-09-24 早参报道，千问在 9 月 23 日发布 Qwen-Audio-3.1 系列语音模型，ASR 降幅约 95%、Realtime 约 85%、TTS 约 70%。千问官方的发布页是前端渲染的，正文取不到，这条只当线索。本文核验日期 2026-09-24，数字全部来自阿里云百炼的官方模型文档页与官方模型价格页，两处在本机都能打开并抽取正文。
能核到的是模型确实上了：官方「语音识别」列表里已经有 qwen-audio-3.1-asr-flash、-filetrans、-streaming、-message 四个新 ID，音频生成列表里有 qwen-audio-3.1-tts-next，语音合成一节有 qwen-audio-3.1-tts-flash，语音对话一节有 qwen-audio-3.1-realtime-plus。
价格页把「按秒」换成了「按 Token」
这次最要紧的变化是计费单位。官方价格页在识别部分逐条写明差别：qwen-audio-3.1-asr-flash「按输入和输出 Token 数分别计费」，qwen-audio-3.0-asr-flash「按输入音频的秒数计费，输出不计费」。同样格式的说明在流式和离线两档上重复出现。
| 模型（华北 2 北京） | 计费单位 | 上一代 | 3.1 |
|---|---|---|---|
| asr-flash | 上一代按输入秒数／3.1 按输入输出 Token | 0.00022 元/秒，输出不计费 | 输入 0.8 元、输出 2.7 元（每百万 Token） |
| asr-flash-filetrans | 同上 | 0.00022 元/秒 | 输入 0.8 元、输出 2.7 元 |
| asr-flash-streaming | 同上 | 0.00033 元/秒 | 输入 6 元、输出 4.5 元 |
| asr-flash-message | 新增档 | — | 输入 6 元、输出 4.5 元 |
免费额度也换了写法：3.1 这一代写「100 万 Token」，上一代 asr-flash 系列和 qwen3-asr-flash 系列写「36,000 秒（10 小时）」，量纲不同，谁多谁少不能直接看数字。合成线同样换了单位：qwen-audio-3.0-tts-flash 按输入字符计费、1 元/万字符，qwen-audio-3.1-tts-flash 改成按输入输出 Token 计费，输入 1.5 元、输出 12 元（每百万 Token）。
一秒音频折多少 Token，官方给了两个数
把降幅算成钱绕不开换算率。官方价格页在实时语音对话一节写「总 Token 数 = 音频时长（单位：秒）* 12.5，不足 1 秒按 1 秒计算」，在千问 Audio 一节写「每一秒钟的音频对应 25 个 Token」；识别那一节只写按 Token 计费，没给折算率。
用这两个率算同一件事，结果差出一截。按 25 Token/秒，1 秒音频是 0.000025 百万 Token，乘 0.8 元约 0.00002 元，对比上一代 0.00022 元/秒约降 91%；按 12.5 Token/秒则是 0.00001 元，约降 95%，而这里只算了输入侧，输出侧那 2.7 元还没进账。报道里的 95% 对应的是后一套折算率。
所以这类百分比要连同折算率一起看。把 95% 直接乘进上一年度的语音支出，得到的是一个乐观值。
Realtime 那一档，价格表上没动
报道里 Realtime 的 85% 有出处，但出处微妙。价格表上音频输入 6 元/百万 Token 属于 qwen-audio-3.0-realtime-flash；而 qwen-audio-3.1-realtime-plus 的四项单价是文本输入 5 元、音频输入 40 元、文本输出 40 元、音频输出 150 元，和 qwen-audio-3.0-realtime-plus 一字不差。40 降到 6，比例正好是 85%。
plus 与 flash 是两个档位，能力与价格都不同。3.1 在价格表里目前只有 plus 一档：本来用 realtime-plus 的，换到 3.1 单价不变，省不下钱，收益全在能力上；按 85% 下调了预算的，那是把换档当成了降价。
能力那一侧在文档页上：上下文 262,144 Token、最大输入 245,760、最大输出 16,384，支持声音复刻与联网搜索，默认音色换成 longanqian_v3.1，enable_search 与 Function Calling 不能同时开启，限流 RPM 60、TPM 100,000。
计费说明里有一条容易漏：用户输入的音频和文本、模型输出的文本都计入上下文，在后续每一轮里作为输入再计费一次，模型输出的音频只在输出时计一次、不进上下文。轮数越多，重复计费越重，官方原文也建议控制单次会话轮数或适时新开会话。
选型分档差 7.5 倍，先按音频长度挑
同样是识别，3.1 四档从 0.8 元到 6 元（每百万 Token），相差 7.5 倍。官方在非实时语音识别指南里给了取法：「5 分钟以内的短音频使用 Qwen3-ASR-Flash，超过 5 分钟的长音频使用 Qwen-Audio-3.1-ASR-Flash-Filetrans、Fun-ASR 或 Qwen3-ASR-Flash-Filetrans」。实时字幕与直播对应 streaming 档，也在 6 元这一级。
限制也影响接入方式：asr-flash 上下文 8192 Token，最大输入 7168、最大输出 1024，filetrans 与 streaming 最大输入 8192。限流上，3.1 的 asr-flash 文档标 RPM 600，上一代 qwen3-asr-flash 标 RPM 100，这一条对批量转写排队时间的影响比单价更直接。
qwen-audio-3.1-tts-next 是另一个品种，官方归进「音频生成」：输入是文本加参考音频，一次生成人声、音效与环境音。限制比语音合成紧——输入上限 3000 字符，单次生成上限播客 240 秒、其他场景 120 秒，参考音频最多 3 条、单条最长 30 秒且不超过 10 MB，并发上限只有 RPS 3。要放进批量流水线，先算的是并发。
该动的地方与不用动的地方
只有短音频转写、调用量在 600 RPM 以内的，3.1 的 0.8／2.7 这一档可以换，理由不只单价，还有上一代的 100 RPM 限流。已在用 realtime-plus 的，3.1 这一档价格没变，换不换取决于是否真需要 26 万 Token 上下文、声音复刻或联网搜索。做播客和长音频的，先评估 tts-next 的能力边界：RPS 3 意味着它适合按条生成，不适合并发批量。
先别做的也清楚：在拿不到自己真实 Token 账单之前，不要把 95% 这类降幅写进预算表。
两处没有核实。千问官方发布原文没有打开，发布时间与全线降幅口径目前只有媒体转述；TTS 一节官方没给字符到 Token 的折算规则，TTS 约 70% 这个数字本文无法用价格页复现。本月早些时候用同样的读法看过 Qwen3.8-Omni-Flash 的定价与限制，那里真正会改流程的也是限流与输出模态；上一篇 Claude Opus 5.5 的发布 出现过同一份材料里三个百分比量三个对象的情况。这一篇的结论落在同一处：先统一口径，再谈降了多少。
本文由 AIGEO.GURU 官网日更流程整理：资料核验、初稿撰写与编辑校对过程有 AI 参与，发布前按本站编辑标准逐项自查。文中价格、限流与规格数字均来自 2026-09-24 实际打开的阿里云百炼官方文档页与官方模型价格页。发布时间与全线降幅口径来自媒体转述，千问官方发布原文未打开。本站没有调用该系列模型、没有产生账单，也没有做语音效果测试；文中的成本推算为按官方折算率与单价计算的结果，分析部分属于 AIGEO.GURU 的判断。