8月17日，阿里把 Qwen-Audio-3.0 全家桶——ASR（语音识别）、TTS（语音合成）、Realtime（实时对话）——一次性上线了千问AI平台和阿里云百炼，开发者可以直接走 API 调用，也可以通过订阅 Token Plan 使用。微博
官方口径相当高：按照今年7月 Artificial Analysis 的语音榜单，三个赛道全部拿到全球第一，号称“大满贯”。知乎
模型听着是挺强的，但“到底怎么用”这件事，信息散落在一个多月的新闻里：7月15日发 Realtime、7月20日发 TTS、7月30日开源语音 Agent 框架、8月7日上线独立的 CosyVoice Studio 平台、8月17日才在百炼全面开放。单看哪一条都拼不全，今天一次性说清楚：它能干什么、入口有几个、不同的人该走哪个、坑在哪里。
三个模型，分别能干啥
Qwen-Audio-3.0-ASR 负责“听”。亮点不在准确率本身（官方口径错字率1.7%），而在两个实用痛点：长音频和行业词。几个小时的会议、访谈里，它会参考前文已识别的内容，同一个人名、同一个术语不会因为跨了段落就认错。内置医疗、IT 编程等行业词库，官方数据里医疗词汇的“听中率”到 95.36%。知乎还能自己加热词（品牌名、人名、内部黑话），官方测试听中率 90% 以上。官方文章里那张三列对比表，展示的正是同一段话在有无上下文记忆加持下的识别差异。
另一个省事的地方：它识别的同时就把润色干了。“那个”“嗯”这类口头禅、说话人自己改口的部分，直接整理成书面文本，不用再挂一个文本大模型做二次处理。官方测试里，润色后的可读性平均分从 2.55 提到 3.43。另外支持 30 种语言，中英日混着说的跨国会议也能直接开“多语言混合识别”。
Qwen-Audio-3.0-TTS 负责“说”。官方给的数据：单次合成最长 3 分钟。知乎支持 16 种语言和 20 种方言，可以用自然语言指令控制情绪、语气、节奏——“带点笑意说”“放慢、温柔一点”这种话它能直接听懂。小红书面向实时交互的 Flash 版本，官方口径首包延时约 300 毫秒。小红书短视频口播、有声内容配音、语音助手播报，都在它的射程内。官方贴出的 Artificial Analysis 语音竞技场截图里，Qwen-Audio-3.0-TTS-Plus 排在 Elo 榜第一——注意，这是官方自己贴的榜单截图，当参考看，别当公证结果。
Qwen-Audio-3.0-Realtime 负责“聊”，也是三个里最值得关注的。传统语音助手是对讲机模式：你说完，它再答。这个是按全双工做的——边说边听，随时打断插话，在餐厅这种嘈杂环境里不会被背景噪声误触发，多人场景还能锁定主说话人。口语化表达也不掉智商：VoiceBench 语音问答基准上，Plus 版标准提示词 92.5 分、口语化提示词 90.5 分，只差 2 分。知乎
更关键的是“能聊天还能办事”：不用刻意说“帮我打开某某”，它自己会调外部工具，兼容 MCP、API 和知识库，调用结果还会进对话记忆——先问“附近有什么川菜馆”，再追问“评分4.5以上哪家最近”，它能接着上次的结果继续查。知乎支持上传音频样本锁定声纹，分 Plus（推理更强）和 Flash（更快）两个版本，都已在百炼开放。官方发布的 Realtime 能力概览图，把这些能力拆得很直观。
四个入口，给的是完全不同的人
很多人看到“语音大满贯”就想冲，结果打开手机发现不知道从哪进——因为这个系列的入口有四个，对应的人群完全不一样。
入口一：千问 App / 千问办公。适合只想体验语音对话的普通用户。但注意节奏问题：官方通稿说该系列已在千问 App、千问办公、Qoder 等产品中应用。知乎不过有社区用户核对阿里云的两页官方资料后提醒，更新是真的，但消费端功能是分步开放的，普通用户先别急着去 App 里找按钮。小红书一时找不到对应入口不用慌，不是你打开方式不对。
入口二：CosyVoice Studio。8月7日上线，定位“一站式AI语音生产力平台”，iOS、安卓、Mac、Windows 全端客户端，目前限时免费。微博三块功能：CosyFlow 做录音转写，CosyAgent 做语音智能体，CosyCreative 做音频创作，覆盖会议纪要、播客制作、语音键盘这些场景——语音键盘能把带口头禅的大白话直接整理成逻辑清晰的书面文本。微博打工人、自媒体人、想用嘴代替手写字的，走这个，不用碰代码。最近小红书上一堆“语音写周报”“科研语音工作流”的帖子，聊的基本就是它。
入口三：百炼 API。开发者走这里，三个模型全部开放调用，按量付费，也可以订阅 Token Plan。百炼对新用户有免费额度，有用户实测盘点过，单个模型能领到 100 万 token 级别的试用额度，足够先把链路跑通再决定花不花钱。知乎想做语音客服、会议助手、配音工具，或者给自己的应用接语音能力的，从这里进。提醒一句：语音类模型的计费和文本模型不是一个口径，调用前先在百炼控制台看清对应模型的价格和免费额度范围。
入口四：开源自部署。7月底阿里开源了实时语音框架 Qwen-Audio-Agent，简单说就是给 OpenClaw、OpenCode、Codex 这些命令行 Agent 加上耳朵和嘴——你可以像打电话一样跟 AI 协作：你边说它边干，随时插话补充，它边干活边汇报。微博官方帖里那张架构图，前台是全双工语音层、后台对接各类 Agent 的结构，一眼就能看明白。已经在本地养龙虾的应该懂这个含金量。另外 CosyVoice3 语音合成模型也能本地跑，6GB 显存就够，适合对隐私敏感、不想为 API 花钱的。
三盆冷水，动手前先看
第一，“大满贯”是官方基于 Artificial Analysis 榜单的口径。榜单成绩不等于你的实际体验，尤其是重方言、重噪音、重行业词的场景，商用之前务必自己拿真实数据测一遍。
第二，别把名字搞混。Qwen-Audio 是模型系列，CosyVoice Studio 是应用产品，Qwen-Audio-Agent 是开源框架，百炼是 API 平台，四个是上下游关系，不是一个东西。找教程、提问之前先搞清楚自己说的是哪一层，能省一半弯路。
第三，免费窗口期不一定是永久的。CosyVoice Studio 的“限时免费”什么时候截止、部分企业功能的白名单测试什么时候放开，官方都没给准话。想薅的趁早；想放进正式项目的，预算里留个备份方案。
一句话总结：谁现在该动手
纯体验党：直接下 CosyVoice Studio 全端客户端，限时免费，语音键盘和会议转写最直观；
Agent 玩家：先玩开源的 Qwen-Audio-Agent，给你的龙虾加上耳朵和嘴；
开发者：上百炼控制台，用免费额度把三个模型的 API 各跑一遍，体验完再决定付不付费；
重方言、高精度场景：先别动，等第三方实测多一些再说。
接下来值得盯三个信号：语音模型的 API 定价细则会不会有调整、App 端功能什么时候全量跟上、Studio 的免费政策会不会转正。这三个任何一个落地，上面这份入口选择都会跟着变。
