Alibaba macht KI-Sprache um bis zu 95 Prozent billiger
Alibabas Qwen-Team hat Qwen-Audio-3.1 veröffentlicht: fünf Modelle für Spracherkennung, Sprachsynthese und Echtzeit-Dialog, dazu Preissenkungen von bis zu 95 Prozent. Die Modelle laufen ausschliesslich als Cloud-API – offene Gewichte gibt es nur für die ältere Qwen3-ASR-Reihe.
Pascal Eugster
GRÜNDER & ENTWICKLER
24. SEPTEMBER 2026
2 MIN. LESEZEIT
INHALT
INHALT
in
PARTNER · INOO GMBH
Wie viel KI verträgt dein Betrieb? In 30 Minuten Klartext.
Kostenloses Erstgespräch — herstellerneutral, direkt aus dem Rheintal.
Gespräch buchen →
DAS WICHTIGSTE IN KÜRZE
Sprach-KI wird zur Massenware. Wer das in der Schweiz einsetzen will, muss aber zuerst die Bekanntgabe ins Ausland nach DSG klären – und Schweizerdeutsch ist nicht dokumentiert.
Alibabas Qwen-Team hat am 23. September 2026 Qwen-Audio-3.1 veröffentlicht: fünf Modelle für Spracherkennung, Sprachsynthese und Echtzeit-Dialog. Gleichzeitig senkt Alibaba die Preise drastisch – Sprachsynthese wird laut der Ankündigung des Qwen-Teams rund 70 Prozent günstiger, Echtzeit-Interaktion rund 85 Prozent, Spracherkennung bis zu 95 Prozent. Neu in der Reihe sind zwei Modelle: ASR-Next fürs Verstehen, TTS-Next fürs Erzeugen von Audio.
Wer spricht, wann und in welcher Stimmung
ASR-Next trennt mehrere Sprecher mit Zeitstempeln und erkennt zusätzlich Emotionen sowie Umgebungs- und Maschinengeräusche. Das reguläre ASR-Modell entfernt Füllwörter und Wiederholungen bereits beim Transkribieren statt in einem zweiten Durchgang. Die Basis dafür beschreibt Alibaba im technischen Bericht zu Qwen-Audio-3.0-ASR: 30 Sprachen, Deutsch inklusive, plus 16 chinesische Dialekte über eine einzige Modellschnittstelle.
Stimme, Geräusch und Hintergrund in einem Zug
TTS-Next kombiniert ein Sprachmodell mit einem Diffusionsverfahren – derselben Technik, die auch hinter KI-Bildgeneratoren steckt – und erzeugt Stimme, Soundeffekte und Hintergrundaudio in einem einzigen Durchgang. Emotion, Tempo und Stil steuerst du per Textanweisung. Das Echtzeit-Modell kann gleichzeitig sprechen und zuhören und lässt sich mitten im Satz unterbrechen.
Der Haken: Es gibt nichts zum Herunterladen
Qwen-Audio-3.1 läuft ausschliesslich als Cloud-API über Alibaba Cloud Model Studio beziehungsweise QwenCloud. Auf Hugging Face liegen keine 3.1- – offen verfügbar ist nur die ältere Qwen3-ASR-Reihe unter Apache-2.0-Lizenz. Die Preisliste von Alibaba Cloud zeigt, wie tief das Niveau inzwischen liegt: 0.15 US-Dollar pro Million Eingabe- für , 0.47 Dollar für die Ausgabe.
