Eine generierte Titelkarte mit der Aufschrift „Welche Stufe rufst du eigentlich auf?“ über der Zeile „Qwen-Audio-3.1 ist eine Familie aus neun Modell-IDs, nicht ein einzelner Endpunkt“, mit neun Chips in drei Reihen zu je drei mit der Aufschrift tts-plus, tts-flash, tts-next, realtime-plus, realtime-flash, asr-flash, asr-flash-streaming, asr-flash-filetrans und asr-flash-message, einer Bildunterschrift „In Stufen aufgeführt, 20. September bis 27. Oktober 2026“ und einer Fußzeile mit Quellenangabe Alibaba Cloud Model Studio. Das OrcaRouter-Logo ist unten rechts eingeblendet.
Guides & Insights

Qwen-Audio-3.1-TTS-Plus vs. Qwen-Audio-3.1: Das eine ist ein Modell, das andere nur ein Abzeichen

Autor

jinhao.song

Veröffentlicht am

Neueste Modelle · 20Alle Modelle ansehen →
Benchmarks: Artificial Analysis · täglich aktualisiert
Zurück zu allen Beiträgen

Die kurze Antwort: Man kann Qwen-Audio-3.1 nicht aufrufen, weil es ein solches Modell nicht gibt. Es gibt eine Qwen-Audio-3.1-Familie – neun Modell-IDs, die Alibaba Cloud Model Studio separat dokumentiert, zu unterschiedlichen Veröffentlichungsdaten, mit unterschiedlichen Preisen und unterschiedlichen Stimmenlisten – und Qwen-Audio-3.1-TTS-Plus ist das Premium-Mitglied dieser Familie; es ist in Alibabas Release Notes vom 21. Oktober 2026 aufgeführt, fünf Wochen nachdem die erste ID der Familie am 20. September erschienen war. Das Geschwistermodell, das die meisten tatsächlich meinen, wenn sie in einem Support-Ticket „Qwen-Audio-3.1“ schreiben, ist Qwen-Audio-3.1-TTS-Flash, die allgemeine Text-to-Speech-Stufe. Diese beiden erledigen dieselbe Aufgabe zu unterschiedlichen Preisen. Im Folgenden geht es darum, zwischen ihnen zu wählen – und um die eine Stelle, an der das teure nicht leisten kann, was das günstige kann.

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.

Zuerst die neun IDs

A​libabas eigene Release Notes sind die klarste Quelle, und sie widersprechen dem Eindruck, den eine Nachrichtenmeldung vermittelt. Es gab keinen einzelnen Launch-Tag. Die Familie kam über fünf Wochen hinweg in Stücken, und die Stücke treffen immer noch ein.

• q​wen-audio-3.1-realtime-plus — am 20. September 2026 sowohl in Singapur als auch in Peking gelistet. Duplex-Sprach-zu-Sprach-Konversation mit Stimmklonen.

• q​wen-audio-3.1-asr-flash zusammen mit seinen Varianten -streaming, -filetrans und -message — aufgeführt am 21. September 2026. Vier Erkennungsendpunkte, nicht einer: Kurzformat, Streaming, Offline-Dateitranskription und eine optimierte Sprachnachricht-Variante.

• {{1}}qwen-audio-3.1-tts-next{{/1}} — gelistet am 21. September 2026 in Peking, am 22. Oktober 2026 in Singapur. {{2}}A​libaba{{/2}} beschreibt es als „AudioGen“-Modell: Sprache, Geräuscheffekte und Umgebungsklang, in einem einzigen Durchgang aus Text, Zeitstempeln und Referenzaudio erzeugt. Es ist keine TTS-Stufe im üblichen Sinne.

• q​wen-audio-3.1-tts-flash — gelistet am 12. Oktober 2026 in beiden Regionen. Streaming-Sprachsynthese für Assistenten, Echtzeit-Konversation und Kundenservice.

• q​wen-audio-3.1-tts-plus — am 21. Oktober 2026 in beiden Regionen gelistet. Hochwertige Synthese für Premium-Stimmen und Content-Erstellung, wobei Voice-Cloning als robuster gegenüber verrauschtem Referenzaudio beschrieben wird.

• {{1}}qwen-audio-3.1-realtime-flash{{/1}} — gelistet am 27. Oktober 2026. Die günstigere Duplex-Stufe, mit einem Kontextfenster von 262.144 Token, Funktionsaufruf und Websuche.

Liest man diese Daten gegeneinander, wird das Framing-Problem offensichtlich. Ein „Qwen-Audio-3.1-Launch“ Ende September deckte die Recognition- und Realtime-Stufen ab; die beiden Text-to-Speech-Stufen, um die es in den meisten Artikeln eigentlich geht, erschienen erst im Oktober. Wer in der Woche der Ankündigung gegen die Familie gebaut hat, hatte das Plus-Tier noch nicht zur Verfügung.

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.

Der Vergleich, den niemand anstellt – und der, der den Ausschlag gibt

Plus gegen Flash ist das einzige direkt vergleichbare Paar innerhalb der Familie. Beide nehmen Text entgegen, geben Audio zurück, rechnen über dasselbe Konto ab und stehen hinter derselben veröffentlichten Obergrenze. Die Unterschiede sind nicht die, die die Stufenbegriffe nahelegen.

• Stimmen — q​wen-audio-3.1-tts-plus bietet vier. A​libaba veröffentlicht dafür genau vier Flaggschiff-Systemstimmen: longanlingxin_v3.1, xunanchuan_v3.1, longanhuan_v3.1 und longanfengyue_v3.1, drei weibliche und eine männliche. q​wen-audio-3.1-tts-flash verfügt über folgenden Katalog: mehrsprachige Stimmen für acht chinesische Dialekte sowie Japanisch, Koreanisch, Französisch, Deutsch, Portugiesisch, Italienisch, Vietnamesisch und Indonesisch; eine lange Liste von Premium-Mandarin-Stimmen; zusätzliche Sprachstimmen für Isländisch, Maltesisch, Suaheli, Kasachisch, Ukrainisch und mehr; und fünfzehn englische Stimmen mit benannten Akzenten — Emily, Luna, Eric und Luca als britische sowie Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian und David als amerikanische.

• Abrechnungseinheit — Plus wird pro Eingabezeichen abgerechnet, für die Ausgabe fallen keine Kosten an. Flash wird pro Token abgerechnet, Eingabe und Ausgabe getrennt, mit $0.23 und $1.87 pro Million Token in Singapur und $0.212 und $1.696 in Peking.

• Preisliste — Plus kostet 0,30 $ pro 10.000 Zeichen in Singapur und 0,20 $ in Peking. Für Flash gibt es keinen Preis pro Zeichen, da seine Einheit das Token ist.

• Zeichenzählung: Wenn Sie Plus nutzen, zählt ein chinesisches, japanisches oder koreanisches Zeichen als zwei; ein lateinischer Buchstabe, eine Ziffer, ein Satzzeichen oder ein Leerzeichen zählt als eins. SSML-Tags werden nicht gezählt. 你好 sind vier Zeichen.

• Ratenlimit — 180 Anfragen pro Minute für beide, in beiden Regionen. Die Obergrenze trennt sie nicht.

• Ausgabe — PCM, WAV, MP3 oder Opus, Abtastraten bis 48 kHz, bei beiden. Nicht-Streaming-Anfragen geben eine URL zurück, die 24 Stunden gültig ist; Streaming liefert Chunks. Eine Verbindung wird geschlossen, wenn innerhalb von 60 Sekunden nach Ende des vorherigen Tasks kein neuer Task beginnt.

• Kostenloses Kontingent — Plus und Flash umfassen in Singapur jeweils 1.000.000 kostenlose Zeichen bzw. Tokens, gültig für 90 Tage ab Aktivierung, Modellveröffentlichung oder Genehmigung des Antrags.

Die entscheidende Zeile ist die erste, und sie spricht gegen die Namensgebung. Die Stufe namens Plus hat vier Stimmen. Die Stufe namens Flash hat die Stimmen, darunter die einzigen englischen Stimmen mit britischem Akzent, die A​libaba irgendwo in dieser Familie veröffentlicht.

Das gemessene Modell ist nicht das Modell, das britisches Englisch sprechen kann.

Q​wen-Audio-3.1-TTS-Plus ist das einzige Mitglied der Familie mit einer eigenständigen Bewertung, und es hat drei. In der Controlled-Voice-Arena von Artificial Analysis, in der jeder Teilnehmer dieselben acht geklonten Referenzstimmen synthetisiert, erreicht es 1.179,08 Elo und liegt damit auf Platz 2 von 49 – hinter HeyGen Voice mit 1.188,52 und vor HeyGen Voice Turbo mit 1.172,56. Die Intervalle der beiden Spitzenplätze überschneiden sich, sodass der zweite und der erste Platz in diesem Ranking statistisch nicht voneinander getrennt sind. Nach Akzent aufgeschlüsselt (Stand 7. November), ist es im US-Englischen mit 1.207,07 auf Platz 1 von 49 und im UK-Englischen mit 1.136,72 auf Platz 5. In der Provider-Voice-Arena, in der jeder Anbieter seine eigenen nativen Stimmen bereitstellt, liegt es mit 1.303 auf Platz 3 von 104 – hinter Eleven v4 mit 1.339 und Eleven v4 Turbo mit 1.335.

Setzen Sie das nun neben die Stimmenliste. Ein Team, das „first in US English“ liest und den Plus-Tarif bestellt, kauft ein Modell mit vier Stimmen. Wenn das Produkt eine britische weibliche Stimme benötigt – die häufigste Anforderung in der englischsprachigen Consumer-Voice-Arbeit –, hat der Plus-Tarif keine. Flash hat vier davon. Und Flash hat in keiner der beiden Arenen eine Punktzahl, sodass es nichts gibt, womit sich die 1.207 vergleichen ließen.

Das ist die Falle in diesem Duell, und sie ist struktureller Natur, kein Defekt. A​libaba ist in der Arena mit einer einzigen Stufe angetreten. Die Stufe, mit der es angetreten ist, ist die Premiumstufe, weil nur diese es wert ist, als Benchmark zu dienen. Die Folgen für einen Käufer sind nicht symmetrisch: Das Modell mit der Zahl kann den Akzent nicht, und das Modell, das den Akzent kann, hat keine Zahl. Wer sich allein am Rang orientiert, macht es genau falsch herum.

Ehrlich gesagt, was es kostet

Jeder Vergleich dieser beiden versucht, einen Preis vom anderen abzuziehen. Diese Subtraktion ist nicht möglich. Plus wird in Zeichen bemessen; Flash in Tokens, wobei das Audio auf der Ausgabeseite gezählt wird. Für dieses Modell gibt es kein veröffentlichtes Zeichen-zu-Token-Verhältnis, daher ist jede einzelne Behauptung „Flash ist X % günstiger“ erfunden.

Was sich sagen lässt, ist, wo das Risiko liegt. Der Ausgabepreis von Flash liegt in Singapur beim Achtfachen des Eingabepreises und in Peking ebenfalls beim Achtfachen, daher dominiert das Audio eine Flash-Rechnung bei jedem Clip realistischer Länge, und die Anzahl der Ausgabe-Tokens hängt davon ab, wie lange das Modell zu sprechen beschließt. Plus hat überhaupt keine Ausgabekosten: Die Rechnung ist eine Funktion des Skripts, das Sie gesendet haben, und sonst nichts. Bei festen Skripten bekannter Länge beides modellieren und messen — das kostenlose Kontingent deckt das ab. Bei allem, wo das Tempo die Wahl des Modells ist, lohnt sich der Pauschalpreis pro Zeichen von Plus schon allein wegen der Vorhersehbarkeit, und dieses Argument ist unabhängig von der Qualität.

Eine strukturelle Warnung zu den öffentlichen Zahlen. In der Controlled Voice Arena wird die Plus-Stufe mit 19,31 US-Dollar pro Million Zeichen angegeben. Alibabas Abrechnungsseite nennt 30,00 US-Dollar pro Million in Singapur und 20,00 US-Dollar in Peking. Der Wert der Arena liegt unter beiden und entspricht weitgehend dem Peking-Tarif der vorherigen Generation, qwen-audio-3.0-tts-plus, mit 0,19253 US-Dollar pro 10.000 Zeichen. Von außen können wir nicht erkennen, ob es sich um eine veraltete Zuordnung oder einen nicht veröffentlichten Tarif handelt. Kalkulieren Sie mit der Region, die Sie tatsächlich aufrufen.

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.

Wie die Auswahl in einer Pipeline aufgelöst wird

In der Praxis benötigen die meisten Teams beide Stufen, und die Entscheidung wird eher operativ als kommerziell. Ein ausgearbeitetes Beispiel: Die Sprachabfrage enthält ein Locale und eine Voice-ID; die Voice-ID bestimmt die Stufe, weil der Katalog dies vorgibt; die Stufe bestimmt den Endpunkt; und eine Failover-Richtlinie entscheidet, was passiert, wenn der gewählte Endpunkt mitten in einer Charge von vierzigtausend Clips schlechter wird.

Das ist ein Routing-Problem, und es ist die Ebene, für die OrcaRouter gebaut wurde – eine Routing-DSL, die die Voice-zu-Tier-Zuordnung als Konfiguration ausdrückt statt als Code mit Verzweigungen, automatisches Failover, sodass ein ausfallendes Upstream die Anfrage an eine zweite Engine weitergibt statt den Clip zu verlieren, und ein API-Schlüssel für mehr als 200 Modelle sodass der Q​wen-Sprachteil und alles, was Sie damit kombinieren, hinter einer einzigen Zugangsberechtigung und einer einzigen Preisbasis liegen, wobei die Listenpreise der Anbieter mit 0 % Aufschlag durchgereicht werden. Die Grenze sollte man klar benennen: OrcaRouter hostet keine Sprachmodelle von A​ibaba. Die Q​wen-Teile dieser Regel sind die API des Anbieters selbst. Was wir liefern, sind der Schlüssel, die Regel und das Failover.

Die Checkliste, bevor du Geld ausgibst

• Bestätige die ID, nicht das Stufenwort. Plus bedeutet weniger Stimmen und Abrechnung nach Zeichen. Flash bedeutet den Katalog und Token-Abrechnung. Next bedeutet Sound-Szenen. Keines dieser Wörter beschreibt, was das Modell tut.

• Prüfen Sie die Stimmenliste vor der Preisliste. Eine Stimme, die Sie nicht haben, ist kein Preis, und der Akzent, den Sie brauchen, existiert möglicherweise nur in der Stufe, die Sie gerade überspringen wollten.

• Prüfen Sie die Region. Singapur und Peking unterscheiden sich bei jedem Preis in dieser Familie, und die englischen Premium-Stimmen sind die einzige Kategorie, die A​libaba als in beiden verfügbar dokumentiert.

• Betrachten Sie einen Rang in einer Rangliste als Rang für ein Mitglied. Q​wen-Audio-3.1-TTS-Plus mit 1.179,08 sagt nichts über q​wen-audio-3.1-tts-flash aus, das auf keiner der beiden Arenen vertreten ist, und nichts über q​wen-audio-3.1-tts-next, das bei gleichem Präfix eine andere Produktkategorie ist.

• Fragen Sie, was „angekündigt am 23. September“ für Sie bedeutete. Für die TTS-Stufen bedeutete es nichts: Sie wurden im Oktober aufgeführt.

Quellen, aufgeschlüsselt danach, wer sie geliefert hat

• Artificial Analysis, Stand: 9. November 2026 — Controlled Voice: Q​wen-Audio-3.1-TTS-Plus 1.179,08 Elo, Nr. 2 von 49, Intervall 1.166,08–1.192,08; US-Englisch 1.207,07, Nr. 1 von 49, 1.190,07–1.224,07; UK-Englisch 1.136,72, Nr. 5 von 49, 1.118,72–1.154,72; HeyGen Voice 1.188,52 gepoolt, 1.187,28 US, 1.181,55 UK. Provider Voice: Q​wen-Audio-3.1-TTS-Plus 1.303, Nr. 3 von 104. Das Veröffentlichungsdatum der nach Akzent aufgeschlüsselten Auswertung – der 7. November – stammt von Artificial Analysis.

• Alibaba Cloud Model Studio, gelesen am 9. November 2026 — modellspezifische Veröffentlichungstermine von der Seite zu Modell-Lifecycle und Updates; Preise, Abrechnungseinheiten, Regeln zur Zeichenzählung und kostenlose Kontingente von der Abrechnungsseite; 180 RPM von der Seite zu Ratenlimits; die vier Plus-Flaggschiff-Stimmen und den Flash-Stimmenkatalog, einschließlich der fünfzehn englischen Stimmen mit Akzent und der 51 Stimmen für weitere Sprachen, von der Stimmenlisten-Seite von Qwen-Audio-TTS.

• In keiner der oben genannten Quellen vorhanden — keine Open-Weights-Veröffentlichung für die 3.1-Sprachfamilie. Die öffentlichen Audio-Repositories von Q​wen enden bei Qwen2-Audio, Juli 2024, und die Arena verzeichnet Q​wen-Audio-3.1-TTS-Plus als Closed-Weight. Es gibt keinen Checkpoint zum Herunterladen und keinen Self-Hosting-Pfad.

• Unsere — die Beobachtung, dass die Preisspalte der Arena unter beiden veröffentlichten Anbieterpreisen liegt, das Argument, dass eine Zeichen-zu-Token-Umrechnung nicht möglich ist, und die Behauptung, dass die gemessene Stufe diejenige ohne britisch-englische Stimmen ist. Das erste ist ungeklärt, das zweite stützt sich auf das Fehlen eines veröffentlichten Verhältnisses, und das dritte folgt aus den beiden Stimmlisten des Anbieters selbst.