千问语音模型，转写和生成怎样区分？

想把排练录音转成文字，又想给台词补上环境声，这两件事需要什么入口？千问 Qwen-Audio-3.1 的原报道把识别、发声和实时对话分开介绍，选择时先看输入与预期结果，别只看系列名相同。

我对照旧原稿与公开模型目录，语音识别关注声音里的内容，语音生成输出新的音频，实时交互还要接上整轮对话。原报道记述九月二十三日发布系列信息，具体型号与开放方式按相应官方项目说明核对。

TTS-Next 的公开描述面向综合音频生成，能围绕文字、时间与参考声音组织人声、音效和环境等内容。它比只把一句话读出来多了制作对象，角色音色与时间是否稳定，仍要听实际结果，不能只凭描述给成品验收。

识别模型输出的文字又有另一项任务，歌词、专有名词与多人说话都需要与原录音对应。材料转写清楚不代表系统已经分析唱法，课堂复盘仍要保留实际声音，避免从一个识别词直接得出演唱判断。

原报道列了不同模型的相对降价幅度，这属于那次公布口径，实际费用还要看当前型号、计费单位与调用量。各类输入输出并不相同，不能把一个百分比直接当成每个制作项目的账单都少了同样比例。

本文没有独立验证多角色一致性、识别或实时响应，厂商能力说明需要在自己的任务里检查。先选一段短材料，只做明确的一项结果，保存型号与参数，再比较是否真正完成需要的转换。

先让识别入口转写一句，回听核对字词，再让生成入口做一段指定声音内容。两份结果分别记下用途与成本，把实际表现对应到型号，再决定后面的长录音或完整声景该用哪一项服务。

资料出处

• 原报道或作者资料
• 补充资料
• 补充资料