Una tarjeta de título generada que dice «¿A qué nivel estás llamando en realidad?» sobre la línea «Qwen-Audio-3.1 es una familia de nueve identificadores de modelo, no un único endpoint», con nueve chips en tres filas de tres que leen tts-plus, tts-flash, tts-next, realtime-plus, realtime-flash, asr-flash, asr-flash-streaming, asr-flash-filetrans y asr-flash-message, una leyenda «Listados por etapas, del 20 de septiembre al 27 de octubre de 2026», y un pie de página que cita Alibaba Cloud Model Studio. El logotipo de OrcaRouter está integrado en la esquina inferior derecha.
Guides & Insights

Qwen-Audio-3.1-TTS-Plus vs. Qwen-Audio-3.1: uno es un modelo, el otro es una insignia

Autor

jinhao.song

Fecha de publicación

Últimos modelos · 20Ver todos los modelos →
Benchmarks: Artificial Analysis · actualizado a diario
Volver a todas las publicaciones

La respuesta corta: no puedes llamar a Q​wen-Audio-3.1, porque no existe tal modelo. Existe una familia Q​wen-Audio-3.1 —nueve ID de modelo que A​libaba Cloud Model Studio documenta por separado, en fechas de lanzamiento distintas, con precios distintos y listas de voces distintas— y Q​wen-Audio-3.1-TTS-Plus es el miembro premium de ella, incluido en las notas de la versión de A​libaba del 21 de octubre de 2026, cinco semanas después de que el primer ID de la familia apareciera el 20 de septiembre. El hermano al que la mayoría de la gente se refiere en realidad cuando escribe "Q​wen-Audio-3.1" en un ticket de soporte es Q​wen-Audio-3.1-TTS-Flash, el nivel de texto a voz de propósito general. Esos dos son el mismo trabajo a precios distintos. Todo lo siguiente trata de elegir entre ellos y del único punto en el que el caro no puede hacer lo que sí puede el barato.

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.

Primero, los nueve IDs

Las propias notas de la versión de Alibaba son la fuente más clara, y contradicen la impresión que se obtiene de una noticia. No hubo un único día de lanzamiento. La familia llegó por partes a lo largo de cinco semanas, y las piezas siguen llegando.

• q​wen-audio-3.1-realtime-plus — listado el 20 de septiembre de 2026 tanto en Singapur como en Pekín. Conversación bidireccional de voz a voz, con clonación de voz.

• q​wen-audio-3.1-asr-flash, junto con sus variantes -streaming, -filetrans y -message — listados el 21 de septiembre de 2026. Cuatro endpoints de reconocimiento, no uno solo: de formato corto, de streaming, de transcripción de archivos sin conexión y una variante optimizada para mensajes de voz.

• q​wen-audio-3.1-tts-next — anunciado el 21 de septiembre de 2026 en Pekín y el 22 de octubre de 2026 en Singapur. A​libaba lo describe como un modelo "AudioGen": voz, efectos de sonido y ambiente generados en una sola pasada a partir de texto, marcas de tiempo y audio de referencia. No es un nivel de TTS en el sentido habitual.

• q​wen-audio-3.1-tts-flash — incluido el 12 de octubre de 2026 en ambas regiones. Síntesis de voz en streaming para asistentes, conversación en tiempo real y atención al cliente.

• qwen-audio-3.1-tts-plus — incluido el 21 de octubre de 2026 en ambas regiones. Síntesis de alta calidad para voces premium y creación de contenido, con clonación de voz descrita como más robusta frente a audio de referencia ruidoso.

• q​wen-audio-3.1-realtime-flash — incluido el 27 de octubre de 2026. El nivel dúplex más económico, con una ventana de contexto de 262.144 tokens, llamada a funciones y búsqueda web.

Si comparas esas fechas entre sí, el problema de encuadre salta a la vista. Un «lanzamiento de Qwen-Audio-3.1» a finales de septiembre abarcó los niveles de reconocimiento y de tiempo real; los dos niveles de conversión de texto a voz de los que en realidad tratan la mayoría de los artículos no aparecieron hasta octubre. Si desarrollaste contra la familia durante la semana del anuncio, el nivel Plus todavía no formaba parte de ella.

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.

La comparación que nadie hace, y la que lo decide

Plus frente a Flash es el único par equivalente dentro de la familia. Ambos reciben texto, devuelven audio, facturan a través de la misma cuenta y están sujetos al mismo límite publicado. Las diferencias no son las que sugieren las palabras de nivel.

• Voces — qwen-audio-3.1-tts-plus tiene cuatro. Alibaba publica exactamente cuatro voces de sistema insignia para este modelo: longanlingxin_v3.1, xunanchuan_v3.1, longanhuan_v3.1 y longanfengyue_v3.1, tres femeninas y una masculina. qwen-audio-3.1-tts-flash tiene el catálogo: voces multilingües que cubren ocho dialectos chinos además de japonés, coreano, francés, alemán, portugués, italiano, vietnamita e indonesio; una larga lista de voces premium en mandarín; voces en idiomas adicionales para islandés, maltés, suajili, kazajo, ucraniano y más; y quince voces en inglés con acentos identificados por nombre — Emily, Luna, Eric y Luca con acento británico, y Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian y David con acento estadounidense.

• Unidad de facturación — Plus se factura por carácter de entrada, sin cargo por la salida. Flash se factura por token, entrada y salida por separado, a $0.23 y $1.87 por millón de tokens en Singapur y $0.212 y $1.696 en Pekín.

• Tarifa — Plus cuesta $0,30 por cada 10.000 caracteres en Singapur y $0,20 en Pekín. Flash no tiene una cifra por carácter, porque su unidad es el token.

• Recuento de caracteres: si tienes Plus, un carácter chino, japonés o coreano cuenta como dos; una letra latina, un dígito, un signo de puntuación o un espacio cuenta como uno. Las etiquetas SSML no se cuentan. 你好 son cuatro caracteres.

• Límite de solicitudes: 180 solicitudes por minuto para ambos, en ambas regiones. El límite máximo no los separa.

• Salida — PCM, WAV, MP3 u O​pus, frecuencias de muestreo de hasta 48 kHz, en ambos modos. Las solicitudes sin streaming devuelven una URL válida durante 24 horas; el streaming devuelve fragmentos. Una conexión se cierra si no se inicia una nueva tarea en los 60 segundos siguientes a que finalice la anterior.

• Cuota gratuita — Plus y Flash incluyen cada uno 1.000.000 de caracteres o tokens gratuitos, respectivamente, en Singapur, válida durante 90 días desde la activación, el lanzamiento del modelo o la aprobación de la solicitud.

La línea que importa es la primera, y va en contra de la nomenclatura. El nivel llamado Plus tiene cuatro voces. El nivel llamado Flash tiene las voces, incluidas las únicas voces en inglés con acento británico que Alibaba publica en cualquier parte de esta familia.

El modelo medido no es el modelo que puede hablar inglés británico.

Q​wen-Audio-3.1-TTS-Plus es el único miembro de la familia con una puntuación independiente, y cuenta con tres. En la arena Controlled Voice de Artificial Analysis, donde cada participante sintetiza las mismas ocho voces de referencia clonadas, ocupa el puesto 1.179,08 de Elo, segundo de 49, por detrás de HeyGen Voice con 1.188,52 y por delante de HeyGen Voice Turbo con 1.172,56 — los intervalos de los dos primeros se solapan, así que el segundo y el primero no están estadísticamente separados en esa tabla. Desglosado por acento el 7 de noviembre, es primero de 49 en inglés estadounidense con 1.207,07 y quinto en inglés británico con 1.136,72. En la arena Provider Voice, donde cada proveedor suministra sus propias voces nativas, es tercero de 104 con 1.303, por detrás de Eleven v4 con 1.339 y de Eleven v4 Turbo con 1.335.

Ahora pon eso junto a la lista de voces. Un equipo que lee «primero en inglés de EE. UU.» y pide el nivel Plus está comprando un modelo de cuatro voces. Si el producto necesita una voz femenina británica —el requisito más común, con diferencia, en el trabajo de voces de consumo en inglés—, el nivel Plus no tiene ninguna. Flash sí, cuatro de ellas. Y Flash no tiene puntuación en ninguna de las dos arenas, así que no hay nada que comparar con 1,207.

Esa es la trampa de este enfrentamiento, y es estructural más que un defecto. A​libaba entró en un solo nivel de la arena. El nivel en el que entró es el premium, porque es el que merece la pena evaluar comparativamente. Las consecuencias para un comprador no son simétricas: el modelo que tiene el número no puede hacer el acento, y el modelo que puede hacer el acento no tiene número. Elegir solo por ranking lo invierte.

Costeándolo, honestamente

Toda comparación entre estos dos intenta restar un precio del otro. Esa resta no está disponible. Plus se expresa en caracteres; Flash, en tokens, y el audio se cuenta en el lado de la salida. No existe una relación publicada entre caracteres y tokens para este modelo, por lo que cualquier afirmación concreta de «Flash es X% más barato» es inventada.

Lo que cabe decir es dónde reside el riesgo. La tasa de salida de Flash es ocho veces su tasa de entrada en Singapur y ocho veces en Pekín, así que el audio domina una factura de Flash en cualquier clip de duración realista, y el número de tokens de salida depende de cuánto decida hablar el modelo. Plus no tiene ningún cargo por salida: la factura es función del guion que enviaste, y nada más. Para guiones fijos de longitud conocida, modela ambos y mide: la cuota gratuita lo cubre. Para cualquier caso en que el ritmo sea decisión del modelo, el precio plano por carácter de Plus merece la pena aunque solo sea por la previsibilidad, y ese argumento es independiente de la calidad.

Una advertencia estructural sobre las cifras públicas. La arena de Controlled Voice enumera el nivel Plus a $19.31 por millón de caracteres. La página de facturación de A​libaba indica $30.00 por millón en Singapur y $20.00 en Pekín. La cifra de la arena es inferior a ambas y se aproxima mucho a la tarifa de Pekín de la generación anterior, q​wen-audio-3.0-tts-plus, a $0.19253 por 10.000 caracteres. No podemos saber desde fuera si se trata de una asignación obsoleta o de una tarifa no publicada. Presupueste según la región a la que realmente llame.

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.

Cómo se resuelve la elección en un pipeline

En la práctica, la mayoría de los equipos necesitan ambos niveles y la decisión pasa a ser operativa más que comercial. Un caso práctico: la solicitud de voz incluye una configuración regional y un ID de voz; el ID de voz determina el nivel, porque así lo hace el catálogo; el nivel determina el endpoint; y una política de conmutación por error decide qué ocurre cuando el endpoint elegido se degrada a mitad de un lote de cuarenta mil clips.

Eso es un problema de enrutamiento, y es la capa para la que está construido OrcaRouter — un DSL de enrutamiento que expresa la asignación de voz a nivel como configuración en lugar de como código con ramificaciones, conmutación por error automática para que un upstream que falla entregue la solicitud a un segundo motor en lugar de perder el clip, y una sola clave de API para más de 200 modelos de modo que el tramo de voz de Q​wen y lo que sea que fusiones con él queden detrás de una única credencial y una única base de precios, con el precio de lista del proveedor trasladado sin margen (0 %). Vale la pena enunciar el límite con claridad: OrcaRouter no aloja los modelos de voz de A​libaba. Los tramos de Q​wen de esa regla son la API propia del proveedor. Lo que suministramos es la clave, la regla y la conmutación por error.

La lista de verificación antes de gastar cualquier cosa

• Confirma el ID, no la palabra del nivel. Plus significa menos voces y facturación por caracteres. Flash significa el catálogo y facturación por tokens. Next significa escenas de sonido. Ninguna de esas palabras describe lo que hace el modelo.

• Revisa la lista de voces antes que el tarifario. Una voz que no tienes no es un precio, y el acento que necesitas puede que solo exista en el nivel que estabas a punto de saltarte.

• Comprueba la región. Singapur y Pekín difieren en todos los precios de esta familia, y las voces prémium en inglés son la única categoría que Alibaba documenta como disponible en ambas.

• Trata un puesto de la tabla de clasificación como un puesto de un solo miembro. Q​wen-Audio-3.1-TTS-Plus con 1,179.08 no dice nada sobre q​wen-audio-3.1-tts-flash, que no está en ninguna de las dos arenas, ni dice nada sobre q​wen-audio-3.1-tts-next, que es una categoría de producto diferente con el mismo prefijo.

• Pregunta qué significó para ti «anunciado el 23 de septiembre». Para los niveles de TTS no significó nada: se listaron en octubre.

Fuentes, separadas por quién las proporcionó

• Artificial Analysis, consultado el 9 de noviembre de 2026 — Voz controlada: Q​wen-Audio-3.1-TTS-Plus 1.179,08 Elo, n.º 2 de 49, intervalo 1.166,08–1.192,08; inglés estadounidense 1.207,07, n.º 1 de 49, 1.190,07–1.224,07; inglés británico 1.136,72, n.º 5 de 49, 1.118,72–1.154,72; HeyGen Voice 1.188,52 combinado, 1.187,28 en EE. UU., 1.181,55 en R. U. Voz del proveedor: Q​wen-Audio-3.1-TTS-Plus 1.303, n.º 3 de 104. La fecha de publicación del desglose por acentos, el 7 de noviembre, es de Artificial Analysis.

• A​libaba Cloud Model Studio, consultado el 9 de noviembre de 2026 — fechas de lanzamiento por modelo de la página de ciclo de vida y actualizaciones de modelos; precios, unidades de facturación, reglas de recuento de caracteres y cuotas gratuitas de la página de facturación; 180 RPM de la página de límites de frecuencia; las cuatro voces insignia Plus y el catálogo de voces Flash, incluidas las quince voces en inglés con acento y 51 voces en idiomas adicionales, de la página de lista de voces de Q​wen-Audio-TTS.

• Ausente en todas las fuentes anteriores: cualquier publicación de pesos abiertos para la familia de voz 3.1. Los repositorios de audio públicos de Q​wen se detienen en Qwen2-Audio, julio de 2024, y la arena registra Q​wen-Audio-3.1-TTS-Plus como de pesos cerrados. No hay ningún checkpoint que descargar ni ruta de autoalojamiento.

• Lo nuestro — la observación de que la columna de precios de la arena está por debajo de ambas tarifas publicadas por el proveedor, el argumento de que no se puede realizar una conversión de caracteres a tokens y la afirmación de que el nivel medido es el que no tiene voces en inglés británico. La primera no está resuelta, el segundo se basa en la ausencia de una proporción publicada y la tercera se desprende de las dos listas de voces del propio proveedor.