כרטיס כותרת שנוצר עם הכיתוב "לאיזו שכבה אתה בעצם קורא?" מעל השורה "Qwen-Audio-3.1 היא משפחה של תשעה מזהי מודלים, לא נקודת קצה אחת", עם תשעה צ'יפים בשלוש שורות של שלושה ובהם tts-plus, tts-flash, tts-next, realtime-plus, realtime-flash, asr-flash, asr-flash-streaming, asr-flash-filetrans ו-asr-flash-message, כיתוב "מוצג בשלבים, 20 בספטמבר עד 27 באוקטובר 2026", וכותרת תחתונה המזכירה את Alibaba Cloud Model Studio. הלוגו של OrcaRouter מורכב בפינה הימנית התחתונה.
Guides & Insights

Qwen-Audio-3.1-TTS-Plus לעומת Qwen-Audio-3.1: האחד הוא מודל, האחר הוא תגית

מחבר

jinhao.song

תאריך פרסום

מודלים אחרונים · 20צפו בכל המודלים →
בנצ'מרקים: Artificial Analysis · מתעדכן יומית
חזרה לכל הפוסטים

התשובה הקצרה: אי אפשר לקרוא ל-Q​wen-Audio-3.1, כי אין מודל כזה. קיימת משפחת Q​wen-Audio-3.1 — תשעה מזהי מודלים ש-A​libaba Cloud Model Studio מתעדת בנפרד, בתאריכי שחרור שונים, עם מחירים שונים ורשימות קוליות שונות — ו-Q​wen-Audio-3.1-TTS-Plus הוא החבר הפרימיום שלה, המופיע בהערות השחרור של A​libaba ב-21 באוקטובר 2026, חמישה שבועות לאחר שהמזהה הראשון של המשפחה הופיע ב-20 בספטמבר. המודל האח שאליו רוב האנשים למעשה מתכוונים כשהם כותבים "Q​wen-Audio-3.1" בפנייה לתמיכה הוא Q​wen-Audio-3.1-TTS-Flash, רמת הטקסט-לדיבור הכללית. שני אלה הם אותה עבודה במחירים שונים. כל מה שלהלן עוסק בבחירה ביניהם, ובמקום היחיד שבו היקר אינו יכול לעשות את מה שהזול יכול.

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.

ראשית, תשעת המזהים

הערות השחרור של Alibaba עצמה הן המקור הבהיר ביותר, והן סותרות את הרושם שמתקבל מכתבות חדשותיות. לא היה יום השקה אחד. המשפחה הגיעה בחלקים במהלך חמישה שבועות, והחלקים עדיין מגיעים.

• qwen-audio-3.1-realtime-plus — הופיע ברשימה ב-20 בספטמבר 2026 גם בסינגפור וגם בבייג'ינג. שיחה דו-כיוונית מדיבור לדיבור, עם שכפול קול.

• qwen-audio-3.1-asr-flash, יחד עם גרסאות ה־-streaming, ה־-filetrans וה־-message שלו — פורסמו ב־21 בספטמבר 2026. ארבע נקודות קצה לזיהוי, לא אחת: קצר, סטרימינג, תמלול קבצים לא מקוון, וגרסה מותאמת להודעות קוליות.

• q​wen-audio-3.1-tts-next — הוצג ב-21 בספטמבר 2026 בבייג'ינג, וב-22 באוקטובר 2026 בסינגפור. A​libaba מתארת אותו כמודל "AudioGen": דיבור, אפקטי קול ואווירה שנוצרים במעבר אחד מטקסט, חותמות זמן ואודיו ייחוס. זה אינו דרג TTS במובן הרגיל.

• qwen-audio-3.1-tts-flash — מופיע ב-12 באוקטובר 2026 בשני האזורים. סינתזת דיבור בזרימה עבור עוזרים, שיחה בזמן אמת ושירות לקוחות.

• q​wen-audio-3.1-tts-plus — רשום ל-21 באוקטובר 2026 בשני האזורים. סינתזה באיכות גבוהה לקולות פרימיום וליצירת תוכן, כאשר שיבוט קול מתואר כעמיד יותר לאודיו ייחוס רועש.

• q​wen-audio-3.1-realtime-flash — נרשם ב-27 באוקטובר 2026. שכבת הדופלקס הזולה יותר, עם חלון הקשר של 262,144 טוקנים, קריאה לפונקציות וחיפוש באינטרנט.

השוו בין התאריכים האלה זה מול זה ובעיית המסגור בולטת לעין. השקה של "Qwen-Audio-3.1" בסוף ספטמבר כיסתה את רמות הזיהוי והזמן אמת; שתי רמות המרת הטקסט לדיבור שרוב המאמרים עוסקים בהן למעשה לא הופיעו עד אוקטובר. אם בניתם מול המשפחה בשבוע של ההכרזה, רמת Plus עדיין לא הייתה בה.

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.

ההשוואה שאף אחד לא עורך, וזו שמכריעה את העניין

Plus מול Flash הוא הצמד היחיד שאפשר להשוות ישירות בתוך המשפחה. שניהם קולטים טקסט, מחזירים אודיו, מחויבים דרך אותו חשבון, ונמצאים תחת אותה תקרה מוצהרת. ההבדלים אינם אלה שמילות הרמות מרמזות עליהם.

• קולות — ל-qwen-audio-3.1-tts-plus יש ארבעה. Alibaba מפרסמת בדיוק ארבעה קולות מערכת דגליים עבורו: longanlingxin_v3.1, xunanchuan_v3.1, longanhuan_v3.1 ו-longanfengyue_v3.1, שלושה קולות נשיים ואחד גברי. ל-qwen-audio-3.1-tts-flash יש את הקטלוג: קולות רב-לשוניים המכסים שמונה ניבים סיניים בתוספת יפנית, קוריאנית, צרפתית, גרמנית, פורטוגזית, איטלקית, וייטנאמית ואינדונזית; רשימה ארוכה של קולות פרימיום במנדרינית; קולות בשפות נוספות עבור איסלנדית, מלטזית, סווהילית, קזחית, אוקראינית ועוד; וחמישה-עשר קולות אנגליים עם מבטאים בעלי שמות — Emily, Luna, Eric ו-Luca כבריטיים, ו-Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian ו-David כאמריקניים.

• יחידת חיוב — ‏Plus מחויב לפי תו קלט, ללא חיוב על פלט. ‏Flash מחויב לפי טוקן, קלט ופלט בנפרד, לפי $0.23 ו-$1.87 למיליון טוקנים בסינגפור ולפי $0.212 ו-$1.696 בבייג'ינג.

• כרטיס תעריפים — Plus עומד על $0.30 לכל 10,000 תווים בסינגפור ועל $0.20 בבייג'ינג. ל-Flash אין נתון לפי תו, משום שהיחידה שלו היא הטוקן.

• ספירת תווים, אם אתם ב-Plus — תו סיני, יפני או קוריאני נחשב כשניים; אות לטינית, ספרה, סימן פיסוק או רווח נחשבים כאחד. תגי SSML אינם נספרים. 你好 הם ארבעה תווים.

• מגבלת קצב — 180 בקשות בדקה עבור שניהם, בשני האזורים. התקרה אינה מפרידה ביניהם.

• פלט — PCM, WAV, MP3 או Opus, קצבי דגימה של עד 48 kHz, בשניהם. בקשות שאינן סטרימינג מחזירות כתובת URL תקפה ל-24 שעות; סטרימינג מחזיר מקטעים. חיבור נסגר אם לא מתחילה משימה חדשה בתוך 60 שניות מסיום המשימה הקודמת.

• מכסה חינם — Plus ו-Flash כוללים כל אחד 1,000,000 תווים או טוקנים בחינם בהתאמה בסינגפור, בתוקף ל-90 יום מהפעלה, משחרור מודל או אישור בקשה.

השורה שחשובה היא הראשונה, והיא עומדת בניגוד לשם. בשכבה שנקראת Plus יש ארבעה קולות. בשכבה שנקראת Flash נמצאים הקולות, כולל קולות האנגלית היחידים במבטא בריטי שאליבבא מפרסמת בכל מקום במשפחה הזו.

המודל הנמדד אינו המודל שיכול לדבר אנגלית בריטית.

Qwen-Audio-3.1-TTS-Plus הוא המודל היחיד במשפחה עם ציון עצמאי, ויש לו שלושה. בזירת Controlled Voice של Artificial Analysis, שבה כל מתחרה מסנתז את אותן שמונה קולות ייחוס משובטים, הוא מדורג ב-1,179.08 Elo, שני מתוך 49, אחרי HeyGen Voice עם 1,188.52 ולפני HeyGen Voice Turbo עם 1,172.56 — שני הטווחים העליונים חופפים, לכן המקום השני והראשון אינם מופרדים סטטיסטית בלוח הזה. בפילוח לפי מבטא ב-7 בנובמבר, הוא ראשון מתוך 49 באנגלית אמריקאית עם 1,207.07 וחמישי באנגלית בריטית עם 1,136.72. בזירת Provider Voice, שבה כל ספק מספק את הקולות המקוריים שלו, הוא שלישי מתוך 104 עם 1,303, אחרי Eleven v4 עם 1,339 ו-Eleven v4 Turbo עם 1,335.

עכשיו שימו את זה לצד רשימת הקולות. צוות שקורא "ראשון באנגלית אמריקאית" ומזמין את שכבת Plus קונה מודל עם ארבעה קולות. אם המוצר צריך קול נשי בריטי — הדרישה הנפוצה ביותר בעבודות קוליות לצרכנים באנגלית — לשכבת Plus אין כזה. ל-Flash יש, ארבעה כאלה. ול-Flash אין ציון באף אחת מהזירות, כך שאין מה להשוות ל-1,207.

זו המלכודת בהתמודדות הזו, והיא מבנית ולא פגם. A​libaba נכנסה לדרגה אחת בזירה. הדרגה שאליה היא נכנסה היא דרגת הפרימיום, משום שזו הדרגה ששווה להשוות מולה. ההשלכות עבור קונה אינן סימטריות: המודל שיש לו המספר לא יכול לעשות את המבטא, ולמודל שיכול לעשות את המבטא אין מספר. בחירה לפי הדירוג בלבד הופכת את זה על פיו.

לתמחר את זה, בכנות

כל השוואה בין השניים מנסה לחסר מחיר אחד מהשני. חיסור כזה אינו אפשרי. Plus נמדד בתווים; Flash בטוקנים, כשהאודיו נספר בצד הפלט. אין יחס מפורסם בין תווים לטוקנים עבור המודל הזה, ולכן כל טענה בודדת ש„Flash זול ב־X%” היא מומצאת.

מה שאפשר לומר הוא היכן טמון הסיכון. קצב הפלט של Flash הוא פי שמונה מקצב הקלט שלו בסינגפור ופי שמונה בבייג'ינג, ולכן האודיו שולט בחשבונית Flash בכל קליפ באורך ריאלי, ומספר טוקני הפלט תלוי בכמה זמן המודל מחליט לדבר. ל-Plus אין חיוב על פלט כלל: החשבונית היא פונקציה של התסריט ששלחת, ותו לא. עבור תסריטים קבועים באורך ידוע, הריצו את שני המודלים ומדדו — המכסה החינמית מכסה זאת. בכל מקרה שבו קצב הדיבור הוא בחירה של המודל, מחיר אחיד לתו של Plus שווה לשלם עבור יכולת החיזוי בלבד, והטיעון הזה אינו תלוי באיכות.

אזהרה מבנית אחת לגבי המספרים הפומביים. זירת Controlled Voice מציגה את מסלול Plus ב-$19.31 למיליון תווים. עמוד החיוב של Alibaba מציג $30.00 למיליון בסינגפור ו-$20.00 בבייג'ינג. הנתון של הזירה נמוך משניהם וקרוב מאוד לתעריף בייג'ינג של הדור הקודם, qwen-audio-3.0-tts-plus ב-$0.19253 ל-10,000 תווים. לא ניתן לדעת מבחוץ אם זה מיפוי מיושן או תעריף שלא פורסם. תקצבו לפי האזור שממנו אתם באמת מבצעים את הקריאות.

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.

כיצד הבחירה נפתרת בצינור עיבוד

בפועל, רוב הצוותים זקוקים לשתי השכבות, וההחלטה הופכת לתפעולית ולא למסחרית. דוגמה מעשית: בקשת הקול נושאת locale ומזהה קול; מזהה הקול קובע את השכבה, משום שהקטלוג קובע זאת; השכבה קובעת את נקודת הקצה; ומדיניות failover מחליטה מה קורה כאשר נקודת הקצה הנבחרת מתדרדרת באמצע אצווה של ארבעים אלף קליפים.

זו בעיית ניתוב, וזה בדיוק התחום שעבורו נבנה OrcaRouter — DSL לניתוב שמבטא את מיפוי הקול לדרגה כקונפיגורציה במקום כקוד מסועף, failover אוטומטי כך ששירות במעלה הזרם שנכשל מעביר את הבקשה למנוע שני במקום לאבד את הקליפ, ו-מפתח API אחד ליותר מ-200 מודלים כך שמסלול הדיבור של Q​wen וכל מה שתמזגו איתו יעמדו מאחורי אישור גישה יחיד ובסיס תמחור יחיד, כשמחיר המחירון של הספק מועבר הלאה במרווח של 0%. כדאי לומר את הגבול בבירור: OrcaRouter אינו מארח את מודלי הדיבור של A​libaba. מסלולי Q​wen של הכלל הזה הם ה-API של הספק עצמו. מה שאנחנו מספקים הוא המפתח, הכלל וה-failover.

הצ'קליסט לפני שאתם מוציאים כסף

• אמת את ה-ID, לא את מילת הדרגה. Plus משמעו פחות קולות וחיוב לפי דמויות. Flash משמעו הקטלוג וחיוב לפי טוקנים. Next משמעו סצנות קול. אף אחת מהמילים האלה לא מתארת מה המודל עושה.

• בדוק את רשימת הקולות לפני כרטיס התעריפים. קול שאין לך אינו מחיר, והמבטא שאתה צריך עשוי להיות קיים רק בדרגה שעמדת לדלג עליה.

• בדוק את האזור. סינגפור ובייג'ינג נבדלות בכל מחיר במשפחה הזו, וקולות הפרימיום באנגלית הם הקטגוריה היחידה ש-Alibaba מתעדת כזמינה בשניהם.

• התייחסו לדירוג בלוח המובילים כדירוג של חבר אחד. Q​wen-Audio-3.1-TTS-Plus במקום 1,179.08 אינו אומר דבר על q​wen-audio-3.1-tts-flash, שאינו נמצא באף אחת מהזירות, ואינו אומר דבר על q​wen-audio-3.1-tts-next, שהוא קטגוריית מוצר אחרת עם אותו קידומת.

• שאל/י מה המשמעות של "הוכרז ב-23 בספטמבר" עבורך. עבור שכבות ה-TTS זה לא אמר דבר: הן הופיעו ברשימה באוקטובר.

מקורות, מופרדים לפי מי שסיפק אותם

• Artificial Analysis, קריאה מ־9 בנובמבר 2026 — קול מבוקר: Q​wen-Audio-3.1-TTS-Plus 1,179.08 Elo, #2 מתוך 49, טווח 1,166.08–1,192.08; אנגלית אמריקאית 1,207.07, #1 מתוך 49, 1,190.07–1,224.07; אנגלית בריטית 1,136.72, #5 מתוך 49, 1,118.72–1,154.72; HeyGen Voice 1,188.52 משולב, 1,187.28 בארה״ב, 1,181.55 בבריטניה. קול ספק: Q​wen-Audio-3.1-TTS-Plus 1,303, #3 מתוך 104. תאריך הפרסום של הפיצול לפי מבטא, 7 בנובמבר, הוא של Artificial Analysis.

• Alibaba Cloud Model Studio, נקרא ב-{{1}}9 בנובמבר 2026{{/1}} — תאריכי שחרור לכל מודל מדף מחזור החיים והעדכונים; מחירים, יחידות חיוב, כללי ספירת תווים ומכסות חינם מדף החיוב; 180 RPM מדף מגבלות הקצב; ארבעת הקולות הדגליים של Plus וקטלוג הקולות של Flash, כולל חמישה־עשר קולות אנגלית עם מבטא ו-51 קולות בשפות נוספות, מדף רשימת הקולות של Qwen-Audio-TTS.

• לא קיים באף אחד מהמקורות שלעיל — שום שחרור במשקלים פתוחים עבור משפחת הדיבור 3.1. מאגרי האודיו הציבוריים של Qwen מסתיימים ב-Qwen2-Audio, יולי 2024, והארנה רושמת את Qwen-Audio-3.1-TTS-Plus כמשקלים סגורים. אין צ'קפוינט להורדה ואין מסלול אירוח עצמי.

• שלנו — התצפית שעמודת המחיר של הזירה נמצאת מתחת לשני תעריפי הספקים שפורסמו, הטענה שלא ניתן לבצע המרה מתווים לטוקנים, והטענה שהדרגה שנמדדה היא זו ללא קולות אנגלית בריטית. הראשונה אינה מוכרעת, השנייה נשענת על היעדר יחס שפורסם, והשלישית נובעת משתי רשימות הקולות של הספק עצמו.