Qwen-Audio-3.1-ASR-Flash-Message
面向语音消息、语音输入法和企业业务场景的生成式自动语音识别模型,由阿里云百炼提供推理服务。输入为音频,输出为文本。(alibabacloud.com) 支持中文、英文及多语言识别,重点优化印尼语、日语、泰语、菲律宾语、越南语、韩语和马来语;可自动识别语言或指定目标语种。 支持流式上屏、P0/P1 热词、文本归一化、结合前文转写和业务上下文识别,以及可开关的原生文本润色。 中文方言可保留口语原文或转…
模型发布档案
聚合模型发布动态,按发布时间浏览,发现值得关注的新模型。
面向语音消息、语音输入法和企业业务场景的生成式自动语音识别模型,由阿里云百炼提供推理服务。输入为音频,输出为文本。(alibabacloud.com) 支持中文、英文及多语言识别,重点优化印尼语、日语、泰语、菲律宾语、越南语、韩语和马来语;可自动识别语言或指定目标语种。 支持流式上屏、P0/P1 热词、文本归一化、结合前文转写和业务上下文识别,以及可开关的原生文本润色。 中文方言可保留口语原文或转…
Qwen-Audio-3.1-TTS-Next 是面向统一音频生成的 AudioGen 模型,由阿里云百炼提供推理服务。它不局限于传统文本转语音,可结合文本、时间戳和参考音频,一次生成包含人声、音效和环境音的完整音频。(docs.bailian.console.aliyun.com) 支持中文和英文,可用于单人语音、多人对话、播客、影视声景、环境音和音效生成;适用于内容创作、短视频、播客、影视及游…
面向实时音视频交互的全模态模型,可在接收流式音视频时进行交互,并输出文本和音频。适用于实时语音助手、客服、视觉问答等场景。(alibabacloud.com) 输入文本、流式音频和视频连续图像帧;输出文本和音频。 支持自定义工具调用、远程 MCP 工具和视频聚合。 支持 WebSocket、WebRTC 和 AOQ。WebSocket 接入支持 1、2、4 声道,多通道输入使用 16 kHz…
百度面向灵活交互和任务型场景的端到端语音语言大模型。2026年9月16日官方公告宣布开启公测;官方API文档仍将接口标注为公测阶段。(cloud.baidu.com) 支持实时自然语音交互、可打断对话,以及服务端自动语音活动检测(VAD)和客户端手动提交音频。(cloud.baidu.com) 支持Function Call连接外部工具和业务系统、联网搜索,以及70余种预置音色。(cloud.ba…
AuK-Flash 是腾讯 AuK 语音生成与编辑基础模型的蒸馏版本,面向快速推理。AuK 系列模型约为 15 亿参数;Flash 使用固定 4 步推理,不使用无分类器引导。官方技术报告称,在相同硬件、输出时长和批量条件下,相比 32 步的 AuK 基础模型,实测推理耗时加速约 4.5 倍;实际表现取决于部署条件。(github.com) 模型通过自然语言指令及按任务需要提供的音频,支持零样本文本…
AuK 是腾讯开源的语音生成与编辑基础模型,官方称模型规模为 1.5B 参数。此条目对应面向高质量生成的 AuK 基础模型,而非采用四步推理的蒸馏版本 AuK-Flash。代码与权重于 2026 年 9 月 9 日公开,采用 MIT 许可证。(huggingface.co) 模型通过统一的自然语言指令接口执行语音任务,可用于配音、音频内容修改和音频修复等场景: 语音生成:基于参考音频的零样本文本转…