阿里发布 Qwen-Audio-3.1,ASR、TTS 与 Realtime 全面升级,并新增 TTS-Next 和 ASR-Next 两款模型,共五款模型覆盖理解、生成、交互与创作。

推荐理由:官方一次性给出五款音频模型的能力分工与降价幅度,可据此判断语音链路的选型与成本变化。
公司与模型
阿里千问 Qwen 系列的模型发布与开源更新,从旗舰大模型到能装进手机的小模型。
45 条精选近 30 天 36 条共收录 241 条
阿里发布 Qwen-Audio-3.1,ASR、TTS 与 Realtime 全面升级,并新增 TTS-Next 和 ASR-Next 两款模型,共五款模型覆盖理解、生成、交互与创作。

推荐理由:官方一次性给出五款音频模型的能力分工与降价幅度,可据此判断语音链路的选型与成本变化。
Qwen Image 2.1 is here! 🖼️ A 7B params native image generation and editing model, with up to 10 image references The model comes with it's own prompt enhancement LLMs, integrated with diffusers 🧨 and ComfyUI ▶️ on Spaces https://huggingface.co/spaces/hugging-apps/qwen-image-2-1
推荐理由:Qwen-Image-2.1 在 Hugging Face Spaces 上线可直接试用的在线 demo,读者无需配置环境即可体验生成与编辑共用一个 checkpoint 的效果。

推荐理由:官方给出 7B 轻量架构、原生 RGBA 透明图层与最多 10 张参考图编辑等能力,可据此判断开源图像模型的实际可用边界。

推荐理由:官方给出延迟从 2.8s 降到 2.3s 和三项新能力,可据此判断实时同传的可用边界。
阿里 Qwen 团队发布 Qwen3.8-Omni-Flash,称其为 Qwen 首个围绕智能体能力构建的全模态模型,将原生音视频理解、推理与工具调用整合在一个模型中。

推荐理由:官方给出音视频智能体能力、基准提升与视频输入成本降幅,可据此判断长音视频场景的落地成本。