بطاقة عنوان مُولّدة تحمل النص "أي مستوى تستدعيه فعليًا؟" فوق السطر "Qwen-Audio-3.1 عائلة من تسعة معرّفات نماذج، وليس نقطة نهاية واحدة"، مع تسع شرائح في ثلاثة صفوف من ثلاث تحمل tts-plus وtts-flash وtts-next وrealtime-plus وrealtime-flash وasr-flash وasr-flash-streaming وasr-flash-filetrans وasr-flash-message، وتعليق "مدرجة على مراحل، من 20 سبتمبر إلى 27 أكتوبر 2026"، وتذييل يشير إلى Alibaba Cloud Model Studio. شعار OrcaRouter مركّب في أسفل اليمين.
Guides & Insights

Qwen-Audio-3.1-TTS-Plus مقابل Qwen-Audio-3.1: أحدهما نموذج والآخر شارة

الكاتب

jinhao.song

تاريخ النشر

أحدث النماذج · 20عرض جميع النماذج →
المعايير: Artificial Analysis · يُحدَّث يوميًا
العودة إلى جميع المقالات

الإجابة القصيرة: لا يمكنك استدعاء Qwen-Audio-3.1، لأنه لا يوجد نموذج بهذا الاسم. هناك عائلة Qwen-Audio-3.1 — تسعة معرّفات نماذج توثّقها Alibaba Cloud Model Studio بشكل منفصل، وفي تواريخ إصدار مختلفة، وبأسعار مختلفة وقوائم أصوات مختلفة — وQwen-Audio-3.1-TTS-Plus هو العضو المتميّز فيها، وهو مُدرَج في ملاحظات إصدار Alibaba بتاريخ 21 أكتوبر 2026، أي بعد خمسة أسابيع من ظهور أول معرّف في العائلة في 20 سبتمبر. أما النموذج الشقيق الذي يقصده معظم الناس فعليًا عندما يكتبون "Qwen-Audio-3.1" في تذكرة دعم فهو Qwen-Audio-3.1-TTS-Flash، الطبقة العامة للتحويل من النص إلى كلام. وهذان النموذجان يؤدّيان المهمة نفسها بأسعار مختلفة. كل ما يلي يتعلق بالاختيار بينهما، وبالموضع الوحيد الذي لا يستطيع فيه النموذج الغالي أن يفعل ما يستطيعه النموذج الرخيص.

A screenshot of Alibaba Cloud Model Studio's model lifecycle and updates changelog for the Singapore region, showing the page's dated release-note rows for October 2026 alongside the changelog navigation.

أولاً، المعرّفات التسعة

ملاحظات الإصدار الخاصة بـ Alibaba هي المصدر الأوضح، وهي تتناقض مع الانطباع الذي تحصل عليه من قصة إخبارية. لم يكن هناك يوم إطلاق واحد. وصلت العائلة على شكل أجزاء خلال خمسة أسابيع، وما زالت الأجزاء تصل.

• q​wen-audio-3.1-realtime-plus — مُدرَج في 20 سبتمبر 2026 في كل من سنغافورة وبكين. محادثة صوتية ثنائية الاتجاه من الكلام إلى الكلام، مع استنساخ الصوت.

• q​wen-audio-3.1-asr-flash، إلى جانب متغيّراته -streaming و-filetrans و-message — المُدرَج في 21 سبتمبر 2026. أربع نقاط نهاية للتعرّف، لا نقطة واحدة: النمط القصير، والبثّ التدفقي، وتفريغ الملفات دون اتصال، ومتغيّر مُحسَّن للرسائل الصوتية.

• q​wen-audio-3.1-tts-next — مُدرَج في 21 سبتمبر 2026 في بكين، و22 أكتوبر 2026 في سنغافورة. تصفه A​libaba بأنه نموذج "AudioGen": كلام ومؤثرات صوتية وأجواء تُولَّد في تمريرة واحدة من النص والطوابع الزمنية والصوت المرجعي. وهو ليس طبقة TTS بالمعنى العادي.

• qwen-audio-3.1-tts-flash — مُدرَج في 12 أكتوبر 2026 في كلتا المنطقتين. تركيب كلام بالبث للمساعدين والمحادثات الفورية وخدمة العملاء.

• q​wen-audio-3.1-tts-plus — مُدرج في 21 أكتوبر 2026 في كلتا المنطقتين. تركيب عالي الجودة للأصوات المميزة وإنشاء المحتوى، مع وصف استنساخ الصوت بأنه أكثر متانة تجاه الصوت المرجعي المليء بالضجيج.

q​wen-audio-3.1-realtime-flash — أُدرج في 27 أكتوبر 2026. الفئة الثنائية الاتجاه الأرخص، بنافذة سياق من 262,144 رمزًا، واستدعاء الدوال والبحث على الويب.

قارن تلك التواريخ ببعضها وستكون مشكلة التأطير واضحة. فقد غطّى "إطلاق Qwen-Audio-3.1" في أواخر سبتمبر فئتي التعرّف والوقت الفعلي؛ أما فئتا تحويل النص إلى كلام اللتان تدور حولهما معظم المقالات فعليًا فلم تظهرا إلا في أكتوبر. وإذا كنت قد بنيت على هذه العائلة في أسبوع الإعلان، فلم تكن فئة Plus ضمنها بعد.

A generated two-column scoreboard headed "Plus vs Flash". The qwen-audio-3.1-tts-plus column reads voices four flagship, languages narrow catalogue, billing per character input only, rate $0.30 per 10k characters in Singapore, output audio not charged, independent score 1,179 Elo rank 2 of 49. The qwen-audio-3.1-tts-flash column reads voices full catalogue with 15 accented English, languages 8 Chinese dialects plus 15 more, billing per token input and output, rate $0.23 in and $1.87 out per 1M tokens, output audio billed at 8x input, independent score none published. The OrcaRouter logo is composited bottom-right.

المقارنة التي لا يجريها أحد، وتلك التي تحسم الأمر

إن مقارنة Plus بـ Flash هي الزوج الوحيد المتماثل داخل العائلة. فكلاهما يستقبل النص، ويعيد الصوت، ويُحتسب عبر الحساب نفسه، ويقعان خلف السقف المنشور نفسه. والاختلافات ليست تلك التي توحي بها كلمات الفئة.

• {{1}}الأصوات{{/1}} — يمتلك qwen-audio-3.1-tts-plus أربعة أصوات. تنشر Alibaba بالضبط أربعة أصوات نظام رئيسية له: longanlingxin_v3.1 وxunanchuan_v3.1 وlonganhuan_v3.1 وlonganfengyue_v3.1، ثلاثة نسائية وواحد ذكري. يضم qwen-audio-3.1-tts-flash الكتالوج: أصوات متعددة اللغات تغطي ثماني لهجات صينية بالإضافة إلى اليابانية والكورية والفرنسية والألمانية والبرتغالية والإيطالية والفيتنامية والإندونيسية؛ وقائمة طويلة من أصوات الماندرين المتميزة؛ وأصوات بلغات إضافية تشمل الأيسلندية والمالطية والسواحيلية والكازاخية والأوكرانية وغيرها؛ وخمسة عشر صوتًا إنجليزيًا بلكنات محددة بالاسم — Emily وLuna وEric وLuca بلكنة بريطانية، وAbby وAnnie وAva وBeth وBetty وCally وCindy وDonna وAndy وBrian وDavid بلكنة أمريكية.

• وحدة الفوترة — تُحتسب تكلفة Plus لكل حرف إدخال دون أي رسوم على الإخراج. أما Flash فتُحتسب تكلفتها لكل رمز (token)، للإدخال والإخراج بشكل منفصل، بواقع 0.23 دولار و1.87 دولار لكل مليون رمز في سنغافورة، و0.212 دولار و1.696 دولار في بكين.

• بطاقة الأسعار — تبلغ تكلفة Plus 0.30 دولار لكل 10,000 حرف في سنغافورة و0.20 دولار في بكين. ولا يوجد لـ Flash رقم لكل حرف، لأن وحدته هي الرمز المميز.

• حساب الأحرف، إذا كنت على Plus — يُحسب الحرف الصيني أو الياباني أو الكوري كحرفين؛ ويُحسب الحرف اللاتيني أو الرقم أو علامة الترقيم أو المسافة كحرف واحد. لا تُحتسب وسوم SSML. 你好 أربعة أحرف.

• حد المعدل — 180 طلبًا في الدقيقة لكليهما، في كلتا المنطقتين. لا يفصل السقف بينهما.

• الإخراج — PCM أو WAV أو MP3 أو O​pus، بمعدلات عينات تصل إلى 48 كيلوهرتز، في كلا الحالتين. تُرجع الطلبات غير المتدفقة عنوان URL صالحًا لمدة 24 ساعة؛ أما الطلبات المتدفقة فتُرجع أجزاءً. يُغلق الاتصال إذا لم تبدأ مهمة جديدة خلال 60 ثانية من انتهاء المهمة السابقة.

• الحصة المجانية — تتوفر لكل من Plus وFlash حصة مجانية قدرها 1,000,000 حرف أو رمز على التوالي في سنغافورة، صالحة لمدة 90 يومًا من تاريخ التفعيل أو إصدار النموذج أو الموافقة على الطلب.

السطر المهم هو الأول، وهو يتعارض مع التسمية. الفئة المسماة Plus لديها أربعة أصوات. والفئة المسماة Flash لديها الأصوات، بما في ذلك الأصوات الإنجليزية ذات اللكنة البريطانية الوحيدة التي تنشرها Alibaba في أي مكان ضمن هذه العائلة.

النموذج الذي جرى قياسه ليس هو النموذج الذي يستطيع التحدث بالإنجليزية البريطانية.

Qwen-Audio-3.1-TTS-Plus هو العضو الوحيد في العائلة الحاصل على تقييم مستقل، ولديه ثلاثة تقييمات. في ساحة Controlled Voice التابعة لـ Artificial Analysis، حيث يُنتج كل متسابق الأصوات المرجعية الثمانية المستنسخة نفسها، يحلّ برصيد 1,179.08 نقطة Elo في المركز الثاني من أصل 49، خلف HeyGen Voice عند 1,188.52 وأمام HeyGen Voice Turbo عند 1,172.56 — إذ تتداخل فترتا الثقة الخاصتان بالمركزين الأولين، لذا لا ينفصل المركزان الثاني والأول إحصائياً في تلك اللوحة. وعند التقسيم حسب اللكنة في 7 نوفمبر، يكون الأول من أصل 49 في الإنجليزية الأمريكية عند 1,207.07 والخامس في الإنجليزية البريطانية عند 1,136.72. وفي ساحة Provider Voice، حيث يوفّر كل مورّد أصواته الأصلية الخاصة، يكون الثالث من أصل 104 عند 1,303، خلف Eleven v4 عند 1,339 وEleven v4 Turbo عند 1,335.

الآن ضع ذلك بجانب قائمة الأصوات. الفريق الذي يقرأ «الأول في الإنجليزية الأمريكية» ويطلب فئة Plus إنما يشتري نموذجًا بأربعة أصوات. وإذا كان المنتج يحتاج إلى صوت أنثوي بريطاني — وهو المتطلب الأكثر شيوعًا في أعمال الأصوات الاستهلاكية الناطقة بالإنجليزية — فإن فئة Plus لا تملك واحدًا. أما Flash فلديه أربعة منها. ولا يملك Flash أي نتيجة في أي من الساحتين، لذا لا يوجد ما يُقارن بالـ 1,207.

هذا هو الفخ في هذه المواجهة، وهو فخ بنيوي لا عيب. دخلت A​libaba مستوى واحدًا في الساحة. والمستوى الذي دخلته هو المستوى الراقي، لأنه المستوى الجدير بالقياس المعياري. والعواقب على المشتري ليست متناظرة: فالنموذج الذي يحمل الرقم لا يستطيع أداء اللكنة، والنموذج القادر على أداء اللكنة لا رقم له. والاختيار على أساس الترتيب وحده يقلب هذا رأسًا على عقب.

حساب التكلفة بصدق

كل مقارنة بين هذين تحاول طرح أحد السعرين من الآخر. هذا الطرح غير متاح. فـ Plus يُحتسب بالحروف؛ وFlash بالرموز (tokens)، مع احتساب الصوت على جانب المخرجات. لا توجد نسبة منشورة لتحويل الحروف إلى رموز لهذا النموذج، لذا فإن أي ادعاء منفرد بأن "Flash أرخص بنسبة X%" هو ادعاء مختلق.

ما يمكن قوله هو أين يكمن الخطر. سعر الإخراج في Flash يساوي ثمانية أضعاف سعر الإدخال في سنغافورة، وثمانية أضعاف في بكين، لذا يهيمن الصوت على فاتورة Flash في أي مقطع بمدة واقعية، ويعتمد عدد رموز الإخراج على المدة التي يقرر النموذج التحدث فيها. أما Plus فليس عليه أي رسوم إخراج على الإطلاق: الفاتورة دالة على النص الذي أرسلته، ولا شيء غير ذلك. بالنسبة للنصوص الثابتة ذات الطول المعروف، جرّب كلا النموذجين وقِس — فالحصة المجانية تغطي ذلك. وبالنسبة لأي حالة يكون فيها إيقاع الكلام قرارًا من النموذج، فإن سعر Plus الثابت لكل حرف يستحق الدفع من أجل القدرة على التنبؤ وحدها، وهذه الحجة مستقلة عن الجودة.

تحذير هيكلي واحد بشأن الأرقام العامة. تُدرج ساحة Controlled Voice فئة Plus بسعر 19.31 دولارًا لكل مليون حرف. وتُدرج صفحة الفوترة لدى Alibaba مبلغ 30.00 دولارًا لكل مليون في سنغافورة و20.00 دولارًا في بيجينغ. ورقم الساحة أقل من كليهما ويقارب بشكل وثيق سعر بيجينغ للجيل السابق، qwen-audio-3.0-tts-plus عند 0.19253 دولارًا لكل 10,000 حرف. لا يمكننا أن نعرف من الخارج ما إذا كان ذلك تعيينًا قديمًا أم سعرًا غير معلن. ضع ميزانيتك بناءً على المنطقة التي تتصل بها فعليًا.

A screenshot of the OrcaRouter models catalogue showing the "226 models, 17 providers, one API key, one bill" header, the filter rail for input modalities, context length, price, status and access tier, and the first model cards with a copyable model ID.

كيف يُحسم الاختيار داخل خط المعالجة

عمليًا، تحتاج معظم الفرق إلى المستويين معًا، لذا يصبح القرار تشغيليًا لا تجاريًا. مثال عملي على البنية: يحمل الطلب الصوتي إعداد لغة ومعرّف صوت؛ ويحدد معرّف الصوت المستوى، لأن الكتالوج هو الذي يحدد ذلك؛ ويحدد المستوى نقطة النهاية؛ وتقرر سياسة التحويل عند الفشل ما يحدث عندما تتدهور نقطة النهاية المختارة في منتصف دفعة من أربعين ألف مقطع صوتي.

تلك مشكلة توجيه، وهي الطبقة التي صُمم OrcaRouter من أجلها — لغة DSL للتوجيه تعبّر عن ربط الصوت بالطبقة كتهيئة بدلاً من كود متفرع، وتجاوز فشل تلقائي بحيث يُحيل المصدر الأعلى الفاشل الطلب إلى محرك ثانٍ بدلاً من فقدان المقطع، ومفتاح API واحد عبر أكثر من 200 طراز بحيث يقف مسار الكلام Qwen وأي شيء تدمجه معه خلف بيانات اعتماد واحدة وأساس تسعير واحد، مع تمرير سعر قائمة المزوّد كما هو دون هامش ربح بنسبة 0%. يجدر توضيح الحدود بوضوح: لا يستضيف OrcaRouter طرازات الكلام الخاصة بـ Alibaba. مسارات Qwen في تلك القاعدة هي API الخاصة بالمورّد نفسه. ما نوفره هو المفتاح والقاعدة والتجاوز التلقائي للفشل.

قائمة التحقق قبل أن تنفق أي شيء

• تأكّد من المعرّف (ID)، لا من كلمة الفئة. تعني Plus عددًا أقل من الأصوات والفوترة حسب الأحرف. وتعني Flash الكتالوج والفوترة حسب الرموز. وتعني Next المشاهد الصوتية. ولا تصف أيّ من هذه الكلمات ما يفعله النموذج.

• راجع قائمة الأصوات قبل بطاقة الأسعار. فالصوت الذي لا تملكه ليس سعرًا، وقد تكون اللكنة التي تحتاجها موجودة فقط في الفئة التي كنت على وشك تخطيها.

• تحقق من المنطقة. تختلف سنغافورة وبكين في كل سعر في هذه المجموعة، والأصوات الإنجليزية المميزة هي الفئة الوحيدة التي توثّق A​libaba توافرها في كلتيهما.

• يُعامَل ترتيبٌ في لوحة الصدارة كترتيبٍ لعضو واحد. لا يقول Q​wen-Audio-3.1-TTS-Plus عند 1,179.08 شيئًا عن q​wen-audio-3.1-tts-flash، الذي لا يوجد في أيٍّ من الساحتين، ولا شيئًا عن q​wen-audio-3.1-tts-next، الذي ينتمي إلى فئة منتج مختلفة بالبادئة نفسها.

• اسأل عمّا يعنيه لك «الإعلان في 23 سبتمبر». أما مستويات TTS فلم يكن يعني شيئًا: فقد أُدرجت في أكتوبر.

المصادر، مفصولة حسب من قدّمها

• Artificial Analysis، قراءة 9 نوفمبر 2026 — الصوت المُتحكَّم فيه: Qwen-Audio-3.1-TTS-Plus 1,179.08 إيلو، المرتبة 2 من 49، الفاصل 1,166.08–1,192.08؛ الإنجليزية الأمريكية 1,207.07، المرتبة 1 من 49، 1,190.07–1,224.07؛ الإنجليزية البريطانية 1,136.72، المرتبة 5 من 49، 1,118.72–1,154.72؛ HeyGen Voice 1,188.52 مُجمَّعة، 1,187.28 للأمريكية، 1,181.55 للبريطانية. صوت المزوّد: Qwen-Audio-3.1-TTS-Plus 1,303، المرتبة 3 من 104. تاريخ النشر الخاص بتقسيم اللكنات في 7 نوفمبر هو تاريخ Artificial Analysis.

• Alibaba Cloud Model Studio، قُرئ في 9 نوفمبر 2026 — تواريخ إصدار كل طراز من صفحة دورة حياة الطراز والتحديثات؛ والأسعار ووحدات الفوترة وقواعد عدّ الأحرف والحصص المجانية من صفحة الفوترة؛ و180 طلبًا في الدقيقة (RPM) من صفحة حدود المعدل؛ والأصوات الرائدة الأربعة في Plus وكتالوج أصوات Flash، بما في ذلك خمسة عشر صوتًا إنجليزيًا بلهجات و51 صوتًا بلغات إضافية، من صفحة قائمة أصوات Qwen-Audio-TTS.

• غائب عن كل مصدر أعلاه — أي إصدار بأوزان مفتوحة لعائلة الكلام 3.1. تتوقف مستودعات Qwen الصوتية العامة عند Qwen2-Audio، يوليو 2024، وتسجّل الساحة أن Qwen-Audio-3.1-TTS-Plus مغلق الأوزان. لا توجد نقطة تحقق للتنزيل ولا مسار للاستضافة الذاتية.

• نقاطنا — ملاحظة أن عمود السعر في الساحة يقع أدنى من كلا سعري البائع المنشورين، والحجة القائلة بأنه لا يمكن إجراء تحويل من الأحرف إلى الرموز، والادعاء بأن الفئة المقيسة هي الفئة التي تخلو من الأصوات الإنجليزية البريطانية. الأولى لم تُحسم، والثانية تستند إلى غياب نسبة منشورة، والثالثة تنتج عن قائمتي الأصوات الخاصتين بالبائع نفسه.