摘要：阿里于2026年9月23日在云栖大会发布Qwen-Audio-3.1系列，其中Qwen-Audio-3.1-Realtime为全双工实时语音模型，能同时听说、随时插话打断，具备262K上下文、工具调用与联网搜索能力，并通过GRPO训练学会"思考、行动、决定何时说话"。API已上线千问平台，价格最高降幅达95%。
2026年9月23日，阿里在杭州云栖大会（9月22日至24日）上正式发布 Qwen-Audio-3.1 系列。千问官方微博当日官宣，该系列包含 ASR、TTS、Realtime、TTS-Next、ASR-Next 五款模型，其中 Qwen-Audio-3.1-Realtime 定位为全双工实时语音智能体。
官方介绍，这款模型"能同时说和听，可随时插话打断"。与常见的"你一句我一句"式语音对话不同，全双工意味着模型在输出的同时仍能感知环境输入，用户可以随时打断或插入，交互更接近真人对话。
Qwen-Audio-3.1-Realtime 并非只做语音问答。阿里云百炼文档显示，qwen-audio-3.1-realtime-plus 的上下文窗口为 262,144 tokens，其中输入 245,760、输出 16,384，足以支撑长篇幅的任务型对话。
在工具能力上，官方文档确认该模型支持 Function Calling（函数调用）与 Web search（联网搜索），二者不可同时开启，是否调用由模型自主决定。这意味着模型可以在对话中主动查资料、调工具，而不只是"陪聊"。
该模型的训练思路是 Qwen-Audio-3.1-Realtime 的一大看点。arXiv 技术报告（编号 2609.25176）显示，模型采用 GRPO 多粒度 rollout 进行训练。论文核心框架可概括为三部分：Think（蒸馏）、Act（GRPO 工具使用）、Speak and Coordinate（决定何时或是否说话）。
换言之，模型被训练成先想清楚、再决定是否调用工具、最后判断该不该开口。在作者看来，把"何时说话"纳入模型训练目标，是语音智能体从被动应答走向主动交互的关键一步（作者观点）。
作为端到端语音交互模型，Qwen-Audio-3.1-Realtime 支持 ASR/TTS 一体化、智能语义断句（smart_turn）、语音克隆与声纹锁定（speaker enhancement），可覆盖 30 种语言及 16 种中文方言。
评测数据方面，τ-Voice 任务成功率由 78.4% 升至 82.0%；Full-Duplex-Bench v1.5 对背景语音的响应率则从 73.0% 降至 13.0%，说明模型在嘈杂环境中更少被无关声音干扰，全双工交互更稳定。
在商业化层面，Qwen-Audio-3.1-Realtime 的 API 已上架 千问 AI 平台及阿里云 Model Studio，价格大幅下调，最高降幅达 95%。在作者看来，大幅降价叠加工具调用能力，让这一模型的使用门槛明显降低（作者观点）。
需要注意的是开源情况：DataLearner 将该模型标注为"不开源"，目前也未搜到官方开放权重信息；原始页面分类中的"Open Source/Weights"仅为网站栏目，不代表模型开源，相关信息有待官方进一步确认。
据校对信息，arXiv 技术报告 v2 已于 9 月 24 日更新，另有基于 3.0-Realtime 的 Voice Harness 原型同步推进。从发布时间线看，论文提交于 9 月 21 日、正式发布在 9 月 23 日，节奏紧凑。
滇公网安备 53252802528133号