语音与音频

此前 Parakeet 权重为 1.2 GB，量化版把体积压到 178 MB，并在 CPU 上取得 113 倍实时的速度，同时英文精度仅小幅回落。这意味着语音识别可以在无 GPU 的普通 CPU 环境运行，多语言与长音频场景的精度甚至优于原版。

此前该语音能力仅服务于 1-800-ChatGPT 这一自有场景，第三方开发者无法调用。开放至 API 意味着外部产品可以直接复用同一套语音交互能力，而不必自行搭建语音链路，语音智能体的接入门槛由此下降。

相较此前版本，这次变化集中在两点：一是模型数量从单点能力扩展到覆盖理解、生成、交互与创作的五个模型，并新增 TTS-Next 与 ASR-Next 两个方向；二是价格大幅下调，其中 ASR 最高降幅达 95%，改变了音频能力的调用成本结构。

此前阶跃星辰的语音能力多以单点模型形式出现，此次以五款模型组成系列并一次性上线开放平台，覆盖实时交互、识别、合成、生成与音乐等方向，说明其语音能力从零散供给转向成体系的产品化输出；榜单排名说法若成立，也意味着竞争位置发生变化。

此前音乐生成工具的输入通常以文本提示为主，v6 将输入扩展到图片、视频和语音备忘录，并加入对已创建歌曲的精确修改能力，意味着从一次性生成转向可迭代编辑，同时多模态输入降低了非专业用户表达音乐意图的门槛。

腾讯混元推出 Hy ASR 3.0 preview，将语音识别与语义理解结合，支持上下文纠错和热词注入，相比传统 ASR 在准确性和场景适应性上有实质提升，尤其在粤语和高噪环境下表现突出，已落地腾讯云和元宝 App。

此前 TTS 模型多采用离散 token 或非自回归架构，dots.tts 以连续端到端自回归方式实现更高准确度，且开源 20 亿参数模型，为行业提供可扩展的 TTS 基座，有望降低语音合成应用的门槛。

相比此前TTS模型，Qwen-Audio-3.0-TTS首次同时支持实时与高质量双版本，引入细粒度情感/动作标签（如耳语、生气）和自然语言风格控制，可一次生成3分钟长文本，并覆盖16种语言，综合能力获得第三方排行榜第一，显著降低了语音合成的使用门槛。

相比此前TTS模型，Flash版本实现了约300毫秒的首包延迟，大幅降低实时交互的等待时间；Plus版本在客观指标上达到行业领先水平，且支持多语言与方言，显著扩展了应用边界。