Une carte-titre générée portant « Quel palier utilisez-vous réellement ? » au-dessus de la ligne « Qwen-Audio-3.1 est une famille de neuf identifiants de modèles, et non un point de terminaison unique », avec neuf puces en trois rangées de trois indiquant tts-plus, tts-flash, tts-next, realtime-plus, realtime-flash, asr-flash, asr-flash-streaming, asr-flash-filetrans et asr-flash-message, une légende « Présentés par étapes, du 20 septembre au 27 octobre 2026 », et un pied de page mentionnant Alibaba Cloud Model Studio. Le logo OrcaRouter est incrusté en bas à droite.
Guides & Insights

Qwen-Audio-3.1-TTS-Plus vs Qwen-Audio-3.1 : l'un est un modèle, l'autre est un badge

Auteur

jinhao.song

Date de publication

Derniers modèles · 20Voir tous les modèles →
Benchmarks : Artificial Analysis · mis à jour quotidiennement
Retour à tous les articles

La réponse courte : vous ne pouvez pas appeler Qwen-Audio-3.1, car ce modèle n'existe pas. Il existe une famille Qwen-Audio-3.1 — neuf identifiants de modèles qu'Alibaba Cloud Model Studio documente séparément, à des dates de publication différentes, avec des tarifs différents et des listes de voix différentes — et Qwen-Audio-3.1-TTS-Plus en est le membre premium, répertorié dans les notes de version d'Alibaba le 21 octobre 2026, cinq semaines après l'apparition du premier identifiant de la famille le 20 septembre. Le modèle frère auquel la plupart des gens pensent en réalité lorsqu'ils écrivent « Qwen-Audio-3.1 » dans un ticket d'assistance est Qwen-Audio-3.1-TTS-Flash, l'offre de synthèse vocale généraliste. Ces deux modèles remplissent la même tâche, à des prix différents. Tout ce qui suit porte sur le choix entre eux, et sur le seul point où le modèle le plus cher ne peut pas faire ce que fait le moins cher.

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.

D'abord, les neuf identifiants

Les notes de version publiées par Alibaba sont la source la plus claire, et elles contredisent l’impression que donne un article de presse. Il n’y a pas eu de jour de lancement unique. La famille est arrivée par morceaux sur cinq semaines, et les morceaux continuent d’arriver.

• qwen-audio-3.1-realtime-plus — répertorié le 20 septembre 2026 à Singapour et à Pékin. Conversation vocale bidirectionnelle de parole à parole, avec clonage vocal.

• q​wen-audio-3.1-asr-flash, ainsi que ses variantes -streaming, -filetrans et -message — répertoriés le 21 septembre 2026. Quatre points de terminaison de reconnaissance, et non un seul : format court, streaming, transcription hors ligne de fichiers et une variante optimisée pour les messages vocaux.

• q​wen-audio-3.1-tts-next — annoncé le 21 septembre 2026 à Pékin, le 22 octobre 2026 à Singapour. A​libaba le décrit comme un modèle « AudioGen » : parole, effets sonores et ambiance générés en une seule passe à partir de texte, d’horodatages et d’audio de référence. Ce n’est pas un palier TTS au sens ordinaire.

• q​wen-audio-3.1-tts-flash — répertorié le 12 octobre 2026 dans les deux régions. Synthèse vocale en continu pour assistants, conversation en temps réel et service client.

• q​wen-audio-3.1-tts-plus — répertorié le 21 octobre 2026 dans les deux régions. Synthèse de haute qualité pour les voix premium et la création de contenu, avec un clonage vocal décrit comme plus robuste face à un audio de référence bruité.

• qwen-audio-3.1-realtime-flash — répertorié le 27 octobre 2026. Le palier duplex le moins cher, avec une fenêtre de contexte de 262 144 jetons, l’appel de fonctions et la recherche web.

Comparez ces dates entre elles et le problème de cadrage saute aux yeux. Un « lancement de Qwen-Audio-3.1 » fin septembre couvrait les paliers reconnaissance et temps réel ; les deux paliers de synthèse vocale dont parlent réellement la plupart des articles n’ont fait leur apparition qu’en octobre. Si vous avez développé sur cette famille dans la semaine de l’annonce, le palier Plus n’en faisait pas encore partie.

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 comparaison que personne ne fait, et celle qui décide de tout

Plus face à Flash est la seule paire véritablement comparable au sein de la famille. Les deux prennent du texte en entrée, renvoient de l’audio, facturent via le même compte et se situent sous le même plafond publié. Les différences ne sont pas celles que suggèrent les termes des niveaux.

• Voix — qwen-audio-3.1-tts-plus en propose quatre. Alibaba publie exactement quatre voix système phares pour ce modèle : longanlingxin_v3.1, xunanchuan_v3.1, longanhuan_v3.1 et longanfengyue_v3.1, trois féminines et une masculine. qwen-audio-3.1-tts-flash dispose du catalogue : des voix multilingues couvrant huit dialectes chinois ainsi que le japonais, le coréen, le français, l’allemand, le portugais, l’italien, le vietnamien et l’indonésien ; une longue liste de voix mandarin haut de gamme ; des voix dans des langues supplémentaires pour l’islandais, le maltais, le swahili, le kazakh, l’ukrainien et d’autres encore ; et quinze voix anglaises avec des accents nommés — Emily, Luna, Eric et Luca en britannique, et Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian et David en américain.

• Unité de facturation — Plus est facturé par caractère d'entrée, sans frais pour la sortie. Flash est facturé par token, entrée et sortie séparément, à 0,23 $ et 1,87 $ par million de tokens à Singapour, et à 0,212 $ et 1,696 $ à Pékin.

• Grille tarifaire — Plus est à 0,30 $ pour 10 000 caractères à Singapour et à 0,20 $ à Pékin. Flash n'a pas de tarif au caractère, car son unité est le token.

• Comptage des caractères, si vous êtes sur Plus — un caractère chinois, japonais ou coréen compte pour deux ; une lettre latine, un chiffre, un signe de ponctuation ou un espace compte pour un. Les balises SSML ne sont pas comptées. 你好 correspond à quatre caractères.

• Limite de débit — 180 requêtes par minute pour les deux, dans les deux régions. Le plafond ne les sépare pas.

• Sortie — PCM, WAV, MP3 ou O​pus, taux d’échantillonnage jusqu’à 48 kHz, pour les deux. Les requêtes non-streaming renvoient une URL valable 24 heures ; le streaming renvoie des chunks. Une connexion se ferme si aucune nouvelle tâche ne démarre dans les 60 secondes suivant la fin de la précédente.

• Quota gratuit — Plus et Flash bénéficient chacun, respectivement, de 1 000 000 de caractères ou de jetons gratuits à Singapour, valables 90 jours à compter de l’activation, de la sortie du modèle ou de l’approbation de la demande.

La ligne qui compte est la première, et elle va à l’encontre de la dénomination. Le niveau appelé Plus propose quatre voix. Le niveau appelé Flash, lui, dispose des voix, y compris les seules voix anglaises à accent britannique qu’Alibaba publie dans cette famille.

Le modèle mesuré n'est pas le modèle qui peut parler l'anglais britannique.

Q​wen-Audio-3.1-TTS-Plus est le seul membre de la famille à disposer d’un score indépendant, et il en a trois. Sur l’arène Controlled Voice d’Artificial Analysis, où chaque candidat synthétise les mêmes huit voix de référence clonées, il obtient 1 179,08 Elo, deuxième sur 49, derrière HeyGen Voice à 1 188,52 et devant HeyGen Voice Turbo à 1 172,56 — les intervalles des deux premiers se chevauchent, donc la deuxième et la première place ne sont pas statistiquement séparées sur ce classement. Dans la ventilation par accent du 7 novembre, il est premier sur 49 en anglais américain à 1 207,07 et cinquième en anglais britannique à 1 136,72. Sur l’arène Provider Voice, où chaque fournisseur propose ses propres voix natives, il est troisième sur 104 à 1 303, derrière Eleven v4 à 1 339 et Eleven v4 Turbo à 1 335.

Maintenant, mettez cela à côté de la liste des voix. Une équipe qui lit « premier en anglais américain » et commande l’offre Plus achète un modèle à quatre voix. Si le produit a besoin d’une voix féminine britannique — l’exigence la plus courante, et de loin, dans le travail de voix grand public en anglais — l’offre Plus n’en propose aucune. Flash en a, quatre. Et Flash n’a de score sur aucune des deux arènes, donc il n’y a rien à comparer avec le 1 207.

C’est là le piège de cette confrontation, et il est structurel plutôt que constitutif d’un défaut. Alibaba est entré dans une catégorie de l’arène. La catégorie dans laquelle il est entré est la premium, car c’est celle qui mérite d’être évaluée comparativement. Les conséquences pour un acheteur ne sont pas symétriques : le modèle qui a le chiffre ne peut pas faire l’accent, et le modèle qui peut faire l’accent n’a pas de chiffre. Choisir sur le seul classement inverse la perspective.

En chiffrer le coût, honnêtement

Chaque comparaison entre ces deux modèles tente de soustraire un prix de l'autre. Cette soustraction n'est pas possible. Plus est libellé en caractères ; Flash en tokens, avec l'audio compté du côté de la sortie. Il n'existe aucun ratio caractères/tokens publié pour ce modèle, donc toute affirmation unique du type « Flash est X % moins cher » est inventée.

Ce qu’on peut dire, c’est où se situe le risque. Le débit de sortie de Flash est huit fois son débit d’entrée à Singapour et huit fois à Pékin, donc l’audio domine une facture Flash pour tout clip de durée réaliste, et le nombre de jetons de sortie dépend de la durée pendant laquelle le modèle décide de parler. Plus n’a aucun frais de sortie : la facture est fonction du script que vous avez envoyé, et rien d’autre. Pour des scripts fixes de longueur connue, modélisez les deux et mesurez — le quota gratuit suffit. Pour tout ce où la cadence est choisie par le modèle, le prix forfaitaire par caractère de Plus vaut la peine d’être payé ne serait-ce que pour la prévisibilité, et cet argument est indépendant de la qualité.

Un avertissement structurel concernant les chiffres publics. L’arène Controlled Voice indique le palier Plus à 19,31 $ par million de caractères. La page de facturation d’Alibaba indique 30,00 $ par million à Singapour et 20,00 $ à Pékin. Le chiffre de l’arène est inférieur aux deux et correspond de près au tarif de Pékin de la génération précédente, qwen-audio-3.0-tts-plus, à 0,19253 $ par 10 000 caractères. Nous ne pouvons pas déterminer de l’extérieur s’il s’agit d’un mappage obsolète ou d’un tarif non publié. Basez votre budget sur la région que vous appelez réellement.

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.

Comment le choix se résout dans un pipeline

En pratique, la plupart des équipes ont besoin des deux niveaux, et la décision devient opérationnelle plutôt que commerciale. Un exemple concret de structure : la requête vocale porte une locale et un identifiant de voix ; l’identifiant de voix détermine le niveau, car c’est le catalogue qui le détermine ; le niveau détermine le point de terminaison ; et une politique de basculement décide de ce qui se passe lorsque le point de terminaison choisi se dégrade à mi-parcours d’un lot de quarante mille clips.

C’est un problème de routage, et c’est précisément la couche pour laquelle OrcaRouter est conçu — un DSL de routage qui exprime la correspondance entre voix et niveau sous forme de configuration plutôt que de code conditionnel, un basculement automatique afin qu’un amont défaillant transmette la requête à un second moteur au lieu de perdre le clip, et une seule clé API pour plus de 200 modèles afin que le volet vocal Q​wen et tout ce que vous y fusionnez se trouvent derrière un seul identifiant et une seule base tarifaire, avec le prix catalogue du fournisseur répercuté à 0 % de marge. La limite mérite d’être énoncée clairement : OrcaRouter n’héberge pas les modèles vocaux d’A​libaba. Les volets Q​wen de cette règle relèvent de l’API propre au fournisseur. Ce que nous fournissons, c’est la clé, la règle et le basculement.

La liste de vérification avant de dépenser quoi que ce soit

• Confirmez l’ID, pas le mot de niveau. Plus signifie moins de voix et une facturation au caractère. Flash désigne le catalogue et une facturation au token. Next correspond aux scènes sonores. Aucun de ces mots ne décrit ce que fait le modèle.

• Vérifiez la liste des voix avant la grille tarifaire. Une voix que vous n’avez pas n’est pas un prix, et l’accent dont vous avez besoin pourrait n’exister que sur le palier que vous étiez sur le point d’ignorer.

• Vérifiez la région. Singapour et Pékin diffèrent sur chaque prix de cette famille, et les voix premium anglaises sont la seule catégorie qu'A​libaba documente comme disponible dans les deux.

• Considérez un rang de classement comme le rang d’un seul membre. Q​wen-Audio-3.1-TTS-Plus à 1 179,08 ne dit rien de q​wen-audio-3.1-tts-flash, qui n’est présent sur aucune des deux arènes, et rien de q​wen-audio-3.1-tts-next, qui est une catégorie de produit différente avec le même préfixe.

• Demandez ce que « annoncé le 23 septembre » a signifié pour vous. Pour les niveaux TTS, cela n'a rien signifié : ils ont été listés en octobre.

Sources, séparées selon qui les a fournies

• Artificial Analysis, relevé le 9 novembre 2026 — Voix contrôlée : Q​wen-Audio-3.1-TTS-Plus 1 179,08 Elo, n°2 sur 49, intervalle 1 166,08–1 192,08 ; anglais américain 1 207,07, n°1 sur 49, 1 190,07–1 224,07 ; anglais britannique 1 136,72, n°5 sur 49, 1 118,72–1 154,72 ; HeyGen Voice 1 188,52 regroupé, 1 187,28 pour l’anglais américain, 1 181,55 pour l’anglais britannique. Voix du fournisseur : Q​wen-Audio-3.1-TTS-Plus 1 303, n°3 sur 104. La date de publication du 7 novembre pour la répartition par accent est celle d’Artificial Analysis.

• Alibaba Cloud Model Studio, consulté le 9 novembre 2026 — dates de publication par modèle issues de la page du cycle de vie des modèles et des mises à jour ; prix, unités de facturation, règles de comptage des caractères et quotas gratuits issus de la page de facturation ; 180 RPM issus de la page des limites de débit ; les quatre voix phares Plus et le catalogue de voix Flash, y compris les quinze voix anglaises avec accent et 51 voix dans d’autres langues, issus de la page de la liste des voix Qwen-Audio-TTS.

• Absent de toutes les sources ci-dessus — toute publication à poids ouverts pour la famille vocale 3.1. Les dépôts audio publics de Q​wen s'arrêtent à Q​wen2-Audio, juillet 2024, et l'arène répertorie Q​wen-Audio-3.1-TTS-Plus comme étant à poids fermés. Il n'y a aucun point de contrôle à télécharger et aucune voie d'auto-hébergement.

• Les nôtres — l’observation selon laquelle la colonne des prix de l’arène se situe sous les deux tarifs publiés par les fournisseurs, l’argument selon lequel une conversion de caractères en jetons ne peut être réalisée, et l’affirmation selon laquelle le palier mesuré est celui qui ne propose pas de voix en anglais britannique. Le premier point n’est pas résolu, le second repose sur l’absence de ratio publié, et le troisième découle des deux listes de voix du fournisseur lui-même.