Am 23. September 2026 hat das Qwen-Team von Alibaba die Sprachmodell-Familie Qwen-Audio-3.1 offiziell vorgestellt: fünf neue Modelle auf einmal, die automatische Spracherkennung (ASR), Sprachsynthese (TTS) und Echtzeit-Sprachinteraktion (Realtime) abdecken — dazu zwei völlig neue „Next"-Modelle, Qwen-Audio-3.1-ASR-Next und Qwen-Audio-3.1-TTS-Next. Mit den Modellen kam eine selten großzügige Preissenkung für Sprach-APIs: TTS rund 70 % günstiger, Realtime rund 85 % günstiger, ASR bis zu 95 % günstiger. Die APIs sind bereits auf der Qwen-AI-Plattform verfügbar; ASR-Next folgt später.
Was die fünf Modelle jeweils leisten
- Qwen-Audio-3.1-ASR: das Basismodell für Spracherkennung. Stärken: mehrsprachige und dialektale Erkennung, Kontextverständnis und native Transkriptions-Nachbearbeitung.
- Qwen-Audio-3.1-TTS: das Basismodell für Sprachsynthese — verwandelt Text in natürlich klingende Sprache.
- Qwen-Audio-3.1-Realtime: das Modell für Echtzeit-Sprachinteraktion, gedacht für latenzkritische Szenarien wie Sprachassistenten und telefonischen Kundenservice.
- Qwen-Audio-3.1-ASR-Next: ein neues Modell in Richtung Audio-Verstehen. Es soll über ASR hinausgehen — Sprache nicht nur mitschreiben, sondern „verstehen".
- Qwen-Audio-3.1-TTS-Next: das Modell, das man sich genauer ansehen sollte. Offiziell ein „Audio-Kreationsmodell": Aus einem Textskript synthetisiert es Dialog und Umgebungsgeräusche in einem Durchgang zu einer kompletten, kinoreifen Klanglandschaft — ausgerichtet auf professionelle Kreation wie Hörbücher, Filmsynchronisation, Podcasts und Games.
Was die Preissenkungen bedeuten
Das ist kein symbolischer Rabatt. TTS rund 70 % günstiger heißt: Eine Stunde Hörbuch-Vertonung kostet jetzt weniger als ein Drittel. Realtime rund 85 % günstiger holt tokenhungrige Echtzeit-Sprachdialoge in bezahlbare Bereiche. ASR 95 % günstiger drückt die Grenzkosten der Transkription nahezu auf null. Für Meeting-Protokolle, Anruf-Qualitätskontrolle und riesige Audio-Archive — Aufgaben, die von der Masse leben — rechnet sich das plötzlich deutlich besser.
Warum diese Runde bemerkenswert ist
Weil längst nicht nur Sprache billiger wird. Am 22. September hat OpenAI die API-Preise für GPT-6 Sol und Luna halbiert (OpenAI stellt GPT-6 Sol und Luna vor: API-Preise für den Alltag halbiert (/article/2042-openai-launches-gpt-6-sol-and-luna-api-prices-cut-in-half-for-everyday-work)); Anthropics Claude Opus 5.5 läuft am selben Tag rund 40 % günstiger als sein Vorgänger. Dass Qwen dieselbe Taktik nun auf Sprache überträgt, erklärt den Preiskampf der Modelle für ausgeweitet: von der Text-Inferenz auf den kompletten Sprach-Stack. Wer die Kosten zuerst senkt, bekommt zuerst Zutritt zu Sprachagenten, Echtzeit-Übersetzung und KI-Kundenservice.
Zwei Hinweise
Erstens: TTS-Nexts „komplette Klanglandschaft in einem Durchgang" ist keine bloße Qualitätssteigerung, sondern ein Formwandel des Kreativwerkzeugs. Es verkürzt die Produktionskette für Hörbücher, Kurzdramen und Podcasts — Arbeiten, für die man früher Dialoge aufnahm, Umgebungsgeräusche suchte und mischte, lassen sich nun womöglich in einer Generierung erledigen. Dafür steigen die Anforderungen an Prompts: Man muss wissen, wie man Klang beschreibt.
Zweitens: ASR-Next ist noch nicht verfügbar, und die Senkungen gelten für API-Aufrufe, nicht für offene Gewichte. Wer selbst hosten und eigene Inferenz betreiben will, geht diesmal leer aus und muss auf spätere Releases warten.
Insgesamt ist die Logik von Qwen-Audio-3.1 klar: Mit einem kompletten Modellportfolio alle vier Glieder der Kette — Hören, Sprechen, Echtzeit-Dialog, Kreation — auf einmal besetzen und dann die Preisschranke einreißen. Sprach-APIs werden zu einer so günstigen Infrastruktur wie Text-APIs — und für Teams, die Sprachprodukte bauen, ist es Zeit, die Kostenrechnung neu aufzustellen.
