阿里巴巴推出Qwen-Audio-3.0-Realtime，四大升級搶攻語音AI市場

阿里巴巴新款即時語音AI模型新增雙工對話、工具調用與情感感知能力，這些功能可能重塑企業部署AI語音代理的方式。

阿里巴巴集團推出Qwen-Audio-3.0-Realtime，這是一款具備雙工對話與工具調用能力的語音互動模型，正式進軍其前代產品已在語音競技場（Speech Arena）排行榜上以1236 Elo評分穩居榜首的市場。

「語音互動正從指令式走向對話式，」阿里巴巴集團Qwen AI硬體產品負責人吳建軍在週二發布的評論文章中表示。「成功的企業將打造讓智慧運算幾乎隱形的環境。」

該模型在四大領域進行升級：智慧能力、Agent工具調用、共情對話以及雙工互動流暢度。阿里巴巴提供兩種版本——Plus版具備更強推理能力，適用於複雜任務；Flash版則針對低延遲回應進行優化。應用場景涵蓋智慧客服、教育培訓、娛樂互動與情感陪伴。前代產品Qwen-Audio-3.0-TTS-Plus模型定價為每百萬字元27.6美元，在盲測用戶評估中以2個Elo評分差距擊敗SpeechifyAI的Simba 3.2，並領先Google的Gemini 3.1 Flash TTS達22個評分。

此次發布鞏固了阿里巴巴在語音AI市場中與Google、SpeechifyAI及Cartesia等對手的競爭地位，同時深化了其Qwen基礎模型與阿里雲基礎設施之間的整合。對投資人而言，該模型將阿里巴巴AI服務的可觸達市場從純文字應用擴展至語音驅動的客服、教育與娛樂等領域——這些正是阿里雲與Amazon Web Services及Microsoft Azure爭奪企業AI工作負載的關鍵賽道。

這款即時語音模型建立在阿里巴巴更廣泛的AI硬體策略之上。該公司今年稍早發布的Qwen眼鏡，結合了Qwen模型家族的多模態推理能力與阿里雲的運算基礎設施，實現即時視覺理解、翻譯與情境輔助。新款語音模型可作為這類設備的對話核心，讓用戶得以透過自然語音而非文字指令與AI助手互動。

阿里巴巴通義實驗室早在2026年5月已將其Fun-Realtime-TTS模型推上語音競技場排行榜全球前五名。Qwen-Audio-3.0-Realtime的推出延續了這一發展軌跡，新增了雙工互動——雙方可以自然地說話與打斷——以及Agent工具調用功能，使模型能夠代表用戶執行預約或查詢資料庫等操作。

語音AI市場競爭升溫，價格壓力持續加大

語音AI的競爭環境正在加劇。Google的Gemini 3.1 Flash TTS以1214 Elo排名第三，而Cartesia的Sonic 3.5與Inworld的Realtime TTS-2則位列前五。SpeechifyAI的Simba 3.2以1234 Elo的成績仍是阿里巴巴最接近的競爭對手。價格壓力也在加大：阿里巴巴每百萬字元27.6美元的費率低於許多西方競爭對手，不過Google和Amazon也一直在調降其語音合成API的價格。

阿里巴巴在港股的股價在該消息公布後於週三上漲1.9%。該公司旗下負責AI模型的雲智慧集團在截至3月的季度實現營收317億元人民幣（約44億美元），年增13%。語音AI是該領域中的一個成長動能：Gartner預測對話式AI市場將從2024年的83億美元成長至2028年的184億美元。阿里巴巴目前的本益比約為10倍，相較於美國雲端同業呈現折價，投資人正持續權衡監管逆風與其AI變現潛力之間的消長。

本文僅供資訊參考，不構成投資建議。