Alibaba оновила Qwen Audio, ціни впали до 95%
Qwen випустив п'ять аудіомоделей — ASR, ASR-Next, TTS, TTS-Next і Realtime. ASR-Next розпізнає кількох мовців із таймстемпами та визначає емоції й фонові шуми. Realtime говорить і слухає одночасно, миттєво реагує на перебивання і сповільнюється, коли відчуває пригнічений настрій співрозмовника.
Ціни на Qwen Cloud впали: ASR — до 95%, Realtime — на 85%, TTS — на 70%.
Що це означає для бізнесу: якщо продукт уже викликає ASR, TTS чи Realtime через Qwen Cloud API — перерахуйте вартість хвилини за новими тарифами, економія суттєва. Якщо ви не інтегровані з Qwen API, ця новина роботи не торкається.
П'ять моделей замість універсального рішення
Раніше Qwen пропонував аудіомоделі окремими релізами; тепер Alibaba випустила лінійку Qwen-Audio-3.1 одразу з п'яти спеціалізованих моделей — ASR, ASR-Next, TTS, TTS-Next і Realtime. Базова ASR покращила розпізнавання мов і діалектів та автоматично прибирає слова-паразити й повтори з тексту. TTS-Next поєднує мовну модель із дифузійним підходом і за один прохід генерує не лише голос, а й звукові ефекти та фонові звуки.
Керування голосом через текстові команди
У TTS емоцією, темпом і стилем мовлення керують простим текстовим промптом — наприклад, «прочитай це різким, владним тоном, що вимагає поваги». TTS також підтримує багатомовний синтез із природним перенесенням голосу між мовами: один голос може звучати природно різними мовами без окремого навчання під кожну.
Realtime підлаштовується під настрій співрозмовника
Модель Realtime підтримує одночасне говоріння й слухання з миттєвою реакцією на перебивання. За описом Qwen, коли система розпізнає пригнічений настрій співрозмовника, вона відповідає повільніше і з більшою емпатією — тобто змінює не лише зміст, а й манеру відповіді залежно від емоційного стану людини на іншому кінці розмови.
Що це змінює для тих, хто вже платить за хвилину
Зниження цін — TTS приблизно на 70%, Realtime приблизно на 85%, ASR до 95% — стосується тарифів Qwen Cloud API. Для бізнесів, які вже будують продукти на голосових сценаріях (кол-центри, транскрибація зустрічей, голосові асистенти), це насамперед питання перерахунку юніт-економіки: та сама функціональність тепер коштує суттєво менше за хвилину використання.
Точних дат запуску по кожній моделі та конкретних цін у матеріалі не наведено — деталі обіцяють у блозі Qwen і на Qwen Cloud.