一个模型干完一条流水线，千问语音实测能打几分？

大模型的更新，已经从聊天框一路卷到了耳机里。9月23日的2026云栖大会上，阿里发布Qwen-Audio-3.1系列语音大模型，语音转写、语音合成和实时语音交互权限同步升级。其中一款号称音频创作的模型Qwen-Audio-3.1-TTS-Next，引起了不少人的好奇。

按过去的流程，做一段有声书成片，得四个工种接力：主播录对白，音效师找素材，混音师调层次，剪辑师最后拼成完整场景。就算AI已经能把对白生成得像模像样，后面那串活儿一样都省不掉。而这款模型把这些环节放进同一次生成——输入一段脚本，人声、音效、环境声一起出来，连各类声音出场的先后顺序都能编排。

一个模型，干完了过去一条流水线的活儿。但创作者的需求也的确越来越高：光把一句话念好听已经不够，还得把整个场景演出来。人物的表演、声音的出场顺序、对白和背景声的关系，都成了模型要交的作业。

声音好听，能不能接住一个梗？情绪到位，换个人物会不会串音？雨声、脚步声都有了，它们是在配合剧情，还是各响各的？带着这些问题，有人给这款音频创作模型准备了一场“声音试镜”：漫剧的反差桥段、播客里的互相拆台，以及AI短片里靠声音撑起来的氛围。

Round 1：都元婴期了，怎么还得上交手机？

第一道题，是一段修仙喜剧。灵感来自最近很火的漫剧《我都元婴期了，你跟我说开学》。满级大佬重回新手村，充满了荒诞和无奈感：主角在修仙界苦修两千年，成就元婴期修为，结果一回到地球，发现时间才过去一个暑假，自己还得像个普通大一新生一样去开学。

沿着这种反差，测试者另写了一段小剧场（原创台词，非原剧节选）：

• 【修士】：闭关三百年，今日，本座终于——
• 【老师】：手机交一下。
• 【修士】：此乃传音法器。
• 【老师】：法器也不能带进考场。
• 【修士】：本座渡过九重雷劫。
• 【老师】：那正好，这张卷子也是九道大题。
• 【修士】：……能补考吗？

境界很高，考场地位很低。这段戏的包袱不复杂，但要单靠声音把它演好，很有难度。修士出场时得有一股“终于轮到本座了”的气势，老师则最好平静到连眼皮都懒得抬。

为了保留原角色的感觉，测试者上传了原角色的30秒音频作为声音参考，再把新台词、表演要求和声音设计一起交给Qwen-Audio-3.1-TTS-Next。不到一分钟，一段约27秒的音频就生成了。

这次生成最出彩的地方，是角色熟悉的音色与新台词里的表演能同时保留下来。人物音色的还原度很高，音效、背景音和语气词也融合得自然。即使只有不到30秒，听感上已经具备了漫剧片段的完整性——人物在前面演，其他声音跟着共同营造气氛，融合得刚刚好。

对创作者而言，这种设计的直接价值，是能围绕同一段剧情组织声音，减少分别配音、寻找音效、再逐项拼接的操作。当然，这次完成的是音频，配进视频后的镜头节奏仍需检查。但作为一段新剧情的声音初稿，它已经足够惊艳了。

Round 2：让AI聊“活人感”，谁先绷不住？

修仙漫剧可以靠鲜明的角色和音效撑起戏剧感，换到播客，没有音效替人物造势，几个人坐在麦克风前是否还能聊得自然呢？

最新一期《没理想编辑部》的播客聊的是这样一个话题：活人感是新的伪人感。让AI唠出活人感，有点强“模型”所难，但本着给千问语音模型上点强度的心态，测试者还是决定试试。

这一段考的是把表演痕迹收起来。测试者给三个人分配了不同的声音和表达方式：A认真解释，B一本正经地拆台，C在旁边听着，冷不丁补上一句。背景只留轻微的声响，把注意力放在人声上。这次没有给AI任何角色参考音频。

从技术能力看，这组测试同时考察了多人声音的一致性和上下文中的表达控制。角色每次开口都要保持可辨认的音色，情绪和停顿又要随着对话变化。

这三个“人”听起来真有点“熟”。有人话还没说利索，旁边就接上了；有人忍着笑解释，另一个人顺嘴拆台。句尾轻重收放自然，连带笑说话时那点含混，确实像几个朋友聊到兴头上。就连提示词中要求AI加入轻微的方言感，模型也处理得恰到好处。

答案是：三个“人”的声音都是Qwen-Audio-3.1-TTS-Next生成的。

Round 3：AI志怪短片的悬疑感，能从声音里单独成立吗？

最后一轮，难度再往上提。这一轮想听的是，声音能否独自撑起一个悬疑场景。

测试者写了一段原创志怪短剧：深夜，一个年轻人搭上末班渡船。船夫告诉他，离岸之后，无论听见谁叫名字，都不要答应。偏偏这时，岸上传来了母亲的声音。不用先解释谁是妖、谁是鬼。一个熟悉的声音，出现在不该出现的地方，故事就开始了。

• 【船夫】坐稳。离了岸，谁叫你，都别应。
• 【年轻人】要是家里人呢？
• 【船夫】尤其是家里人。
• 【岸上女人】小远——饭都凉了，怎么还不回来？
• 【年轻人】妈？她怎么找到这儿了……
• 【船夫】别回头。你听，她在岸上走。
• 【年轻人】那怎么了？
• 【船夫】船都划出去这么远了，脚步声怎么还在你耳边？
• 【女人，近处】问你话呢，怎么不应啊？

这段戏把最难的任务交给了母亲。她的声音首先得让人想答应，要像日常生活里听过的那一句。等她再次开口，音色仍然熟悉，距离却近得不对劲。老船夫则承担着另一层变化：苍老、略沙哑的声音，要展现出该有的阅历感，话少，却笃定。

这段测试给模型出了一道更细的题：同一个母亲，从岸边喊人，到站在身旁说话，声音该变什么，又不能变什么？不能变的是人物身份，听众需要立刻认出；要变的则是发声方式和距离感。这就把考题从生成一个像母亲的声音，推进到了同时改变她的表达和所处空间。

另一层难度在于，几种声音需要建立一致的空间关系。水声说明船还在移动，脚步却持续靠近，两者放在一起，才构成故事里的异常。脚步单独听有多逼真，并不足以决定这段戏是否成立；它必须出现在合适的时机，并与其他声音形成对照。对创作者而言，能实现这一点，就意味着可以围绕剧情安排声音，让环境声承担线索，而不只是铺一层气氛。

能听懂、能创作、能聊天之后，语音还能做什么？

回头看这三轮声音试镜，考察的其实是Qwen-Audio-3.1-TTS-Next的三种能力。修仙漫剧要求复刻角色音色与情绪转折；三人播客考验角色区分和对话的自然感；志怪短剧则进一步考验人声与环境声的时序、距离和叙事配合。

从这次样本看，千问语音模型在角色音色、口语表达和场景融合上都有不俗表现，几项能力已经能够共同支撑一段完整的声音作品。它们共同指向一种变化：创作者可以直接描述想要的场景，让模型先把它变成听得见的版本。

这并不意味着创作已经可以一键完成。播客的接话间隔、人物的情绪层次，都经历过调整。但对个人和中小团队而言，能够更快听见初稿，再判断哪里不对、如何修改，本身就降低了尝试的门槛。过去需要先找声音、凑素材、做拼接才能验证的想法，现在可以更早进入试听和打磨。

如果把视野放到整个Qwen-Audio-3.1系列，这种变化还有更大的延伸空间。按照此次发布的信息，ASR语音转写、TTS语音合成和Realtime实时交互三条线都在同步升级：

• 转写端增强上下文理解，并支持去除语气词、重复表达等润色处理；
• 创作端让同一音色在跨语言合成时依然能保持自然感；
• 实时交互端则支持边听边说、随时打断，以及调用工具执行任务。

当这些能力接进同一个应用，一个创作者可以口述故事，让AI整理成脚本，生成一版声音小样，听到不满意的地方直接说“这里先别急着接话”。犹豫、改口、补充条件，本来就是人说话的方式，机器迁就人的节奏，比人迁就机器舒服得多。具体体验取决于产品怎么串联，但技术拼图已经基本备齐。

从这个角度看，阿里Qwen-Audio-3.1的意义已经超出声音更像真人。能听懂、能创作、能聊天，正在让语音成为连接人、内容与AI的自然入口。当一句话既能表达需求，也能开启创作、推动事情往下走，语音才真正从一种输入方式，变成了与AI协作的方式。