Qwen-Audio-3.1-ASR-Flash-Message
生成式語音辨識模型,輸入音訊、輸出文字,針對語音訊息、輸入法及企業業務場景最佳化。官方上架日期為 2026-09-21。(alibabacloud.com) 支援中文、英文及其他語言,特別最佳化印尼語、日語、泰語、菲律賓語、越南語、韓語及馬來語;可自動辨識語言或指定目標語言。 支援串流轉寫、P0/P1 熱詞、文字正規化、利用前文轉寫和業務上下文輔助辨識,以及可開關的文字潤飾。 可將中文方言轉寫為方…
模型發布檔案
彙整模型發布動態,按發布時間瀏覽,探索值得關注的新模型。
生成式語音辨識模型,輸入音訊、輸出文字,針對語音訊息、輸入法及企業業務場景最佳化。官方上架日期為 2026-09-21。(alibabacloud.com) 支援中文、英文及其他語言,特別最佳化印尼語、日語、泰語、菲律賓語、越南語、韓語及馬來語;可自動辨識語言或指定目標語言。 支援串流轉寫、P0/P1 熱詞、文字正規化、利用前文轉寫和業務上下文輔助辨識,以及可開關的文字潤飾。 可將中文方言轉寫為方…
Qwen-Audio-3.1-TTS-Next 是統一音訊生成模型,不限於傳統文字轉語音。它可依據文字、時間資訊及參考音訊,一次生成包含人聲、音效與環境音的完整聲景;支援單人說話、多人對話、Podcast 和影視聲景等任務。適用於內容創作、短影片、播客、影視與遊戲音訊製作。(docs.modelstudio.console.alibabacloud.com) 輸入:文字及可選的參考音訊;官方列出的…
Alibaba 的即時全模態模型,面向串流影音互動,由阿里雲百煉提供推論服務。阿里雲國際站的新加坡地域更新公告將此模型列於 2026-09-21。(alibabacloud.com) 支援文字、圖片、串流音訊與影片影格輸入,輸出文字及音訊;支援多聲道音訊、影片聚合、自訂工具呼叫、遠端 MCP 工具和聯網搜尋。(docs.qwencloud.com) 可透過 WebSocket、WebRTC 或…
百度於 2026 年 9 月 16 日公告推出 Flex 公測版,定位為注重靈活性與任務執行的端到端語音語言大模型,提供自然語音互動與語音合成。(ai.baidu.com) 支援伺服器自動語音活動偵測(VAD)與手動提交音訊兩種互動模式。 支援 Function Call,可連接外部工具與業務系統執行任務。 支援 70 種以上預設音色及音色切換,並提供搜尋與指令遵循能力。 發布公告稱知識庫檢索增強…
AuK-Flash 是 AuK 語音生成與編輯基礎模型的蒸餾版本,提供開放權重,主打快速四步推論。AuK 基礎模型約有 15 億參數;官方模型卡標示採用 MIT 授權。(huggingface.co) 模型透過自然語言指令及視任務需要提供的參考音訊,支援零樣本和指令式文字轉語音、語音及歌詞內容編輯、音高/語速/音量調整、情緒與音色編輯、語音增強及音源分離。適合用於配音、語音內容修改和音訊清理等場景…
AuK 是開源的語音生成與編輯基礎模型,規模為 15 億參數,透過統一的自然語言指令介面執行多種音訊任務。本條目對應高品質生成的 AuK 基礎版;AuK-Flash 是另行提供的四步推論蒸餾版本。(huggingface.co) 支援零樣本文字轉語音:以參考音訊的聲音朗讀指定文字;也支援僅依聲音描述生成語音。 支援語音內容、音高、語速及副語言特徵編輯,以及語音增強和聲源分離。 可用於配音、語音內容…