9 月 24 日，语音与音频大模型突然成了最热闹的赛道。三条消息几乎同时出现：阿里巴巴发布 Qwen-Audio-3.1 家族并大幅降价；Google DeepMind 发布 Gemini 3.8 Flash TTS / Flash-Lite TTS，支持自然语言设计声音和 30 秒样本复刻；OpenAI 升级 GPT Voice，让它可以调用邮件、日历、Slack 等工具。

单独看，每一条都是常规更新；放在一起看，它们在传递同一个信号：语音正在从「模型的输出格式」变成「Agent 的交互入口」。

Qwen-Audio-3.1：把语音成本打到「可以常态化调用」

阿里巴巴的 Qwen-Audio-3.1 家族包含 5 个模型：ASR、TTS、Realtime，以及新加入的 TTS-Next（音频生成）和 ASR-Next（音频理解）。覆盖理解、生成、交互、创作四个象限。

最引人注目的是价格。官方公布的数据显示：

• TTS 降价约 70%；
• Realtime（实时交互语音）降价约 85%；
• ASR 最高降价 95%。

这意味着什么？过去语音接口往往只在客服、导航、智能硬件等强场景里用，因为成本扛不住高频 Agent 调用。ASR 最高 95% 的降幅，让「Agent 把语音作为默认 IO」从演示项目变成可落地的产品路径。

Realtime 的能力也在往 Agent 方向靠：边听边说、可被用户打断、能检测用户情绪并放慢语速给出更共情的回应。这些不是单纯的语音质量优化，而是为了让语音 Agent 在真实对话中更像一个能协作的助手，而不是一个只会等用户说完才反应的播报器。

Gemini 3.8 Flash TTS：声音设计的 Prompt 工程时代

Google DeepMind 同一天发布的 Gemini 3.8 Flash TTS 和 Flash-Lite TTS，走的是另一条路线：让开发者用自然语言描述来「设计」声音。

具体能力包括：

• 用自然语言 prompt 从零设计说话风格；
• 用 30 秒样本复刻特定人声；
• 按行/段给出表演指导（line-by-line performance direction）；
• 长文本音频生成；
• 双人场景编排；
• 支持 100 多种语言。

这本质上把 TTS 从「选一个预置音色」升级成「用 prompt 工程调音色」。对 Agent 产品来说，这意味着每个品牌、每个角色、每个场景都可以有差异化的声音，而不需要重新训练模型或采购语音资产。

30 秒样本复刻的能力尤其值得警惕——它同时打开了个性化服务和声纹滥用的风险。但无论如何，声音作为产品差异化的维度，已经被正式纳入大模型工具箱。

GPT Voice：语音开始调用工具

OpenAI 的 GPT Voice 升级则更直接地指向 Agent。Greg Brockman 在 X 上宣布：GPT Voice 现在可以使用邮件、日历、Slack 等工具，由 GPT-6 Astra、Sol、Luna 驱动，并在 ChatGPT Work 的 web 和移动端上线。

这里的重点是「工具使用」+「工作场景」。用户可以语音让 ChatGPT 创建文档、演示文稿、网站、表格，或者在浏览器里处理复杂任务。语音不再只是输入方式，而是 Agent 执行工作流的触发器。

这也意味着语音 Agent 的评估标准变了。过去比的是发音自然度、延迟、多语言支持；现在要加上：它能不能正确识别用户意图、选择工具、处理多轮确认、在出错时优雅回退。

三件事合在一起，看到了什么

如果把这三条新闻叠在一起，可以画出一条清晰的线：

1. 成本线：Qwen-Audio-3.1 把 ASR/TTS/Realtime 的价格打到足够低，让语音 Agent 可以大规模调用。
2. 表达线：Gemini 3.8 TTS 让声音变得可设计、可品牌化、可个性化。
3. 行动线：GPT Voice 让语音能够直接触发工具和工作流。

结果就是一个新的 Agent 入口形态：用户用自然语言说话，Agent 理解、调用工具、用自然声音反馈。这个入口不需要屏幕、不需要键盘，可以在车、手机、耳机、眼镜、智能家居里跑。

这也解释了为什么语音模型会突然成为价格战前线。对模型厂商来说，语音是抢占 Agent 入口的必争之地——谁掌握了低成本、低延迟、可工具调用的语音交互，谁就可能在下一个计算平台上占据默认位置。

对开发者的实际影响

如果你是做 Agent 产品的，今天值得重新评估三件事：

• 延迟预算：Realtime 语音 Agent 的端到端延迟要求通常比文本高一个数量级。价格降下来之后，真正的瓶颈会变成链路延迟和模型选择。
• 多模态动作边界：语音 + 工具调用意味着用户可能用一句话触发多个写操作。权限模型、确认机制、回滚能力需要重新设计。
• 品牌声音：TTS 变得可设计之后，Agent 的声音会成为 UX 的一部分，和文案、UI 一样需要产品化。

还有一个更宏观的观察：语音模型的竞争正在分化。中国厂商（以 Qwen 为代表）率先打价格战，把单位成本压到极低；美国厂商（OpenAI、Google）则在工具链、生态入口、多模态整合上筑墙。这个格局和文本大模型的发展历程几乎一模一样。

结语

9 月 24 日可能是语音 Agent 的一个分水岭。不是因为某一家发布了革命性模型，而是因为成本、表达、行动三条线同时越过了「可用」的阈值。对 Agent 开发者来说，语音不再是一个锦上添花的 feature，而是一个需要被认真对待的默认入口。

参考来源

• 12PB AI Daily: AI Daily | September 24, 2026 — AI Industry Updates — https://12pb.com/en/news/ai-daily-2026-09-24
• Tongyi Qianwen / Qwen (@Alibaba_Qwen) on X: Qwen-Audio-3.1 发布与降价信息 — https://x.com/Alibaba_Qwen/status/2102687258990026993
• Google DeepMind Blog: Say hello to Gemini 3.8 text-to-speech — https://deepmind.google/blog/say-hello-to-gemini-38-text-to-speech
• Greg Brockman (@gdb) on X: GPT Voice 升级与工具使用 — https://x.com/gdb/status/2102821706041819401