Alibaba bringt Audio-Modellreihe Qwen-Audio-3.1
Fünf Modelle für Spracherkennung, Synthese und Echtzeit-Dialoge in einem Paket.
Gegenprüfung dieser Ausgabe: 4 Karten vor der Veröffentlichung korrigiert. Wie die Gegenprüfung arbeitet
Symbolbild, KI-generiert.
Alibabas KI-Team Qwen hat laut The Decoder mit Qwen-Audio-3.1 fünf Modelle für Spracherkennung, Sprachsynthese und Echtzeit-Interaktion vorgestellt. Das neue ASR-Next erkennt mehrere Sprecher mit Zeitstempeln und versteht laut The Decoder auch Emotionen.
Die Belege
- Fünf Modelle für ASR, TTS und Echtzeit-Interaktion
- ASR-Modell mit verbesserter mehrsprachiger und Dialekterkennung
- Automatische Bereinigung von Füllwörtern und Wiederholungen
- ASR-Next erkennt mehrere Sprecher mit Zeitstempeln und Emotionen
Der Zusammenhang
Die Modellreihe deckt laut The Decoder die gesamte Kette von Spracherkennung über Sprachsynthese bis zur Echtzeit-Interaktion ab.
Warum das zählt
Für Contact-Center- und Dokumentationsprozesse in mehrsprachigen Organisationen erweitert sich das Angebot an Audio-Modellen mit automatisierter Transkription und Sprachsynthese.
Die Ankündigung listet Funktionsumfang auf, liefert aber keine Benchmark-Werte zur Erkennungsgenauigkeit im Vergleich zu etablierten Anbietern.
Qwen-Audio-3.1 für Pilotprojekte in Kundenservice oder Transkription evaluieren, sobald Zugang und Lizenzbedingungen vorliegen.
Was diese Meldung nicht belegt: Konkrete Benchmark-Zahlen zur Erkennungsgenauigkeit fehlen.
Text KI-erstellt und am 23.09.2026 automatisch von einer zweiten KI-Instanz gegen den erfassten Quelltext geprüft, ohne Einzelfreigabe durch einen Menschen. Redaktionell verantwortlich: Ali Reza Karwandian. Fehler gefunden? Korrektur melden · Unsere Grundsätze