Kartu judul yang dihasilkan bertuliskan “Tingkat mana yang sebenarnya Anda panggil?” di atas baris “Qwen-Audio-3.1 adalah keluarga berisi sembilan id model, bukan satu endpoint”, dengan sembilan chip dalam tiga baris yang masing-masing berisi tiga, yaitu tts-plus, tts-flash, tts-next, realtime-plus, realtime-flash, asr-flash, asr-flash-streaming, asr-flash-filetrans, dan asr-flash-message, keterangan “Dicantumkan secara bertahap, 20 September hingga 27 Oktober 2026”, serta footer yang mengutip Alibaba Cloud Model Studio. Logo OrcaRouter dikomposisikan di kanan bawah.
Guides & Insights

Qwen-Audio-3.1-TTS-Plus vs Qwen-Audio-3.1: Satu Model, yang Lain Lencana

Penulis

jinhao.song

Tanggal Terbit

Model terbaru · 20Lihat semua model →
Benchmark: Artificial Analysis · diperbarui setiap hari
Kembali ke semua artikel

Jawaban singkatnya: Anda tidak dapat memanggil Qwen-Audio-3.1, karena model tersebut tidak ada. Ada keluarga Qwen-Audio-3.1 — sembilan ID model yang didokumentasikan Alibaba Cloud Model Studio secara terpisah, pada tanggal rilis berbeda, dengan harga berbeda dan daftar suara berbeda — dan Qwen-Audio-3.1-TTS-Plus adalah anggota premiumnya, tercantum dalam catatan rilis Alibaba pada 21 Oktober 2026, lima minggu setelah ID pertama keluarga itu muncul pada 20 September. Saudaranya yang sebenarnya dimaksud kebanyakan orang ketika menulis "Qwen-Audio-3.1" dalam tiket dukungan adalah Qwen-Audio-3.1-TTS-Flash, tier text-to-speech serbaguna. Keduanya melakukan tugas yang sama dengan harga berbeda. Semua yang berikut ini membahas pemilihan di antara keduanya, dan satu area di mana yang mahal tidak dapat melakukan apa yang bisa dilakukan yang murah.

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.

Pertama, sembilan ID tersebut

Catatan rilis Alibaba sendiri adalah sumber yang paling jelas, dan itu bertentangan dengan kesan yang Anda dapatkan dari sebuah artikel berita. Tidak ada satu hari peluncuran tunggal. Keluarga itu hadir secara bertahap selama lima minggu, dan bagian-bagiannya masih terus berdatangan.

• q​wen-audio-3.1-realtime-plus — dicantumkan pada 20 September 2026 di Singapura dan Beijing. Percakapan suara-ke-suara dupleks, dengan kloning suara.

• qwen-audio-3.1-asr-flash, bersama varian -streaming, -filetrans, dan -message-nya — terdaftar pada 21 September 2026. Empat endpoint pengenalan, bukan satu: bentuk pendek, streaming, transkripsi file offline, dan varian pesan suara yang dioptimalkan.

• qwen-audio-3.1-tts-next — dicantumkan pada 21 September 2026 di Beijing, 22 Oktober 2026 di Singapura. Alibaba menggambarkannya sebagai model "AudioGen": ucapan, efek suara, dan ambiens dihasilkan dalam satu kali proses dari teks, stempel waktu, dan audio referensi. Ini bukan tingkatan TTS dalam pengertian biasa.

• q​wen-audio-3.1-tts-flash — terdaftar 12 Oktober 2026 di kedua wilayah. Sintesis ucapan streaming untuk asisten, percakapan real-time, dan layanan pelanggan.

• q​wen-audio-3.1-tts-plus — terdaftar pada 21 Oktober 2026 di kedua wilayah. Sintesis berkualitas tinggi untuk suara premium dan pembuatan konten, dengan kloning suara yang digambarkan lebih tahan terhadap audio referensi yang bising.

• q​wen-audio-3.1-realtime-flash — terdaftar 27 Oktober 2026. Tingkat duplex yang lebih murah, dengan jendela konteks 262.144 token, pemanggilan fungsi, dan penelusuran web.

Bandingkan tanggal-tanggal itu satu sama lain, dan masalah framing-nya langsung terlihat. "Peluncuran Q​wen-Audio-3.1" pada akhir September mencakup tier pengenalan dan realtime; dua tier text-to-speech yang sebenarnya menjadi fokus sebagian besar artikel baru muncul pada Oktober. Jika Anda membangun terhadap keluarga model ini pada minggu pengumuman, tier Plus belum termasuk di dalamnya.

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.

Perbandingan yang tidak pernah dilakukan siapa pun, dan perbandingan yang menentukan hasilnya.

Plus versus Flash adalah satu-satunya pasangan yang benar-benar sebanding di dalam keluarga ini. Keduanya menerima teks, mengembalikan audio, menagih melalui akun yang sama, dan berada di bawah batas publikasi yang sama. Perbedaannya bukan yang tersirat oleh kata-kata tingkatan.

• Suara — q​wen-audio-3.1-tts-plus memiliki empat. A​libaba menerbitkan tepat empat suara sistem unggulan untuknya: longanlingxin_v3.1, xunanchuan_v3.1, longanhuan_v3.1, dan longanfengyue_v3.1, tiga suara perempuan dan satu suara laki-laki. q​wen-audio-3.1-tts-flash memiliki katalog: suara multibahasa yang mencakup delapan dialek Tionghoa ditambah bahasa Jepang, Korea, Prancis, Jerman, Portugis, Italia, Vietnam, dan Indonesia; daftar panjang suara premium Mandarin; suara bahasa tambahan untuk Islandia, Malta, Swahili, Kazakh, Ukraina, dan lainnya; serta lima belas suara bahasa Inggris dengan aksen yang diberi nama — Emily, Luna, Eric, dan Luca beraksen British, serta Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian, dan David beraksen Amerika.

• Unit penagihan — Plus ditagih per karakter masukan tanpa biaya untuk keluaran. Flash ditagih per token, masukan dan keluaran secara terpisah, masing-masing $0.23 dan $1.87 per juta token di Singapura serta $0.212 dan $1.696 di Beijing.

• Kartu tarif — Plus adalah $0.30 per 10.000 karakter di Singapura dan $0.20 di Beijing. Flash tidak memiliki angka per karakter, karena unitnya adalah token.

Penghitungan karakter, jika Anda menggunakan Plus — karakter Tionghoa, Jepang, atau Korea dihitung dua; huruf Latin, angka, tanda baca, atau spasi dihitung satu. Tag SSML tidak dihitung. 你好 adalah empat karakter.

• Batas laju — 180 permintaan per menit untuk keduanya, di kedua wilayah. Batas atas tersebut tidak memisahkan keduanya.

• Output — PCM, WAV, MP3, atau O​pus, laju sampel hingga 48 kHz, pada keduanya. Permintaan non-streaming mengembalikan URL yang valid selama 24 jam; streaming mengembalikan potongan. Koneksi ditutup jika tidak ada tugas baru yang dimulai dalam 60 detik setelah tugas sebelumnya berakhir.

• Kuota gratis — Plus dan Flash masing-masing menyediakan 1.000.000 karakter atau token gratis di Singapura, berlaku selama 90 hari sejak aktivasi, peluncuran model, atau persetujuan aplikasi.

Baris yang penting adalah baris pertama, dan itu bertentangan dengan penamaannya. Tier yang disebut Plus memiliki empat suara. Tier yang disebut Flash memiliki suara-suara itu, termasuk satu-satunya suara bahasa Inggris beraksen Britania yang A​libaba terbitkan di mana pun dalam keluarga ini.

Model yang diukur bukanlah model yang dapat berbicara bahasa Inggris Britania

Qwen-Audio-3.1-TTS-Plus adalah satu-satunya anggota keluarga ini yang memiliki skor independen, dan ia memiliki tiga skor. Di arena Controlled Voice milik Artificial Analysis, tempat setiap peserta menyintesis delapan suara referensi hasil kloning yang sama, ia berada di peringkat 1.179,08 Elo, kedua dari 49, di belakang HeyGen Voice pada 1.188,52 dan di depan HeyGen Voice Turbo pada 1.172,56 — interval dua peringkat teratas tumpang tindih, sehingga peringkat kedua dan pertama tidak terpisah secara statistik di papan tersebut. Jika dipilah berdasarkan aksen pada 7 November, ia berada di peringkat pertama dari 49 untuk bahasa Inggris AS pada 1.207,07 dan peringkat kelima untuk bahasa Inggris Britania pada 1.136,72. Di arena Provider Voice, tempat setiap vendor memasok suara aslinya sendiri, ia berada di peringkat ketiga dari 104 pada 1.303, di belakang Eleven v4 pada 1.339 dan Eleven v4 Turbo pada 1.335.

Sekarang letakkan itu di samping daftar suara. Tim yang membaca "pertama dalam bahasa Inggris AS" dan memesan tier Plus sedang membeli model dengan empat suara. Jika produk membutuhkan suara perempuan Britania — kebutuhan paling umum dalam pekerjaan suara konsumen berbahasa Inggris — tier Plus tidak memilikinya. Flash punya, empat buah. Dan Flash tidak memiliki skor di kedua arena, jadi tidak ada yang bisa dibandingkan dengan 1.207.

Itulah jebakan dalam pertandingan ini, dan sifatnya struktural, bukan cacat. A​libaba memasuki satu tingkat di arena. Tingkat yang dimasukinya adalah yang premium, karena itulah yang layak dijadikan tolok ukur. Konsekuensinya bagi pembeli tidak simetris: model yang punya angka tidak bisa melakukan aksennya, dan model yang bisa melakukan aksen tidak punya angka. Memilih hanya berdasarkan peringkat akan membalikkan hal ini.

Menghitung biayanya, dengan jujur

Setiap perbandingan antara keduanya mencoba mengurangkan harga yang satu dari yang lain. Pengurangan itu tidak tersedia. Plus dinyatakan dalam karakter; Flash dalam token, dengan audio dihitung di sisi output. Tidak ada rasio karakter-ke-token yang dipublikasikan untuk model ini, sehingga klaim tunggal apa pun bahwa "Flash X% lebih murah" adalah karangan.

Yang bisa dikatakan adalah di mana risikonya berada. Tarif output Flash delapan kali tarif inputnya di Singapura dan delapan kali di Beijing, sehingga audio mendominasi tagihan Flash pada klip dengan durasi realistis apa pun, dan jumlah token output bergantung pada berapa lama model memutuskan untuk berbicara. Plus tidak mengenakan biaya output sama sekali: tagihannya merupakan fungsi dari skrip yang Anda kirim, dan tidak ada yang lain. Untuk skrip tetap dengan panjang yang diketahui, modelkan keduanya dan ukur — kuota gratis mencakupnya. Untuk apa pun yang laju bicaranya menjadi pilihan model, harga tetap per karakter dari Plus layak dibayar hanya demi prediktabilitas, dan argumen itu tidak bergantung pada kualitas.

Satu peringatan struktural tentang angka yang dipublikasikan. Arena Controlled Voice mencantumkan tier Plus sebesar $19,31 per juta karakter. Halaman penagihan Alibaba mencantumkan $30,00 per juta di Singapura dan $20,00 di Beijing. Angka arena tersebut lebih rendah daripada kedua angka itu dan sangat mendekati tarif Beijing generasi sebelumnya, qwen-audio-3.0-tts-plus sebesar $0,19253 per 10.000 karakter. Kami tidak dapat mengetahui dari luar apakah itu pemetaan yang kedaluwarsa atau tarif yang belum dipublikasikan. Anggarkan berdasarkan wilayah yang benar-benar Anda panggil.

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.

Bagaimana pilihan tersebut diselesaikan dalam sebuah pipeline

Dalam praktiknya, sebagian besar tim membutuhkan kedua tier dan keputusannya menjadi operasional, bukan komersial. Sebuah contoh konkret: permintaan suara membawa locale dan ID suara; ID suara menentukan tier, karena kataloglah yang menentukannya; tier menentukan endpoint; dan kebijakan failover memutuskan apa yang terjadi ketika endpoint yang dipilih mengalami penurunan kinerja di tengah proses batch berisi empat puluh ribu klip.

Itu adalah masalah perutean, dan itulah lapisan yang memang dirancang untuk ditangani OrcaRouter — DSL perutean yang mengekspresikan pemetaan voice ke tier sebagai konfigurasi alih-alih sebagai kode bercabang, failover otomatis sehingga upstream yang gagal menyerahkan permintaan ke mesin kedua alih-alih kehilangan klip, dan satu kunci API untuk lebih dari 200 model sehingga jalur speech Q​wen dan apa pun yang Anda padukan dengannya berada di balik satu kredensial dan satu basis harga, dengan harga daftar penyedia diteruskan pada markup 0%. Batasannya perlu dinyatakan dengan jelas: OrcaRouter tidak menghosting model speech A​libaba. Jalur-jalur Q​wen dalam aturan tersebut adalah API milik vendor itu sendiri. Yang kami sediakan adalah kunci, aturan, dan failover.

Daftar periksa sebelum Anda membelanjakan apa pun

• Pastikan ID-nya, bukan kata tingkatnya. Plus berarti lebih sedikit suara dan penagihan karakter. Flash berarti katalog dan penagihan token. Next berarti adegan suara. Tidak satu pun kata itu menjelaskan apa yang dilakukan model.

• Periksa daftar suara sebelum kartu tarif. Suara yang tidak Anda miliki bukanlah harga, dan aksen yang Anda butuhkan mungkin hanya ada pada tingkat yang hendak Anda lewati.

• Periksa wilayahnya. Singapura dan Beijing berbeda pada setiap harga dalam keluarga ini, dan suara premium bahasa Inggris adalah satu-satunya kategori yang didokumentasikan Alibaba sebagai tersedia di keduanya.

• Anggap peringkat papan peringkat sebagai peringkat untuk satu anggota. Q​wen-Audio-3.1-TTS-Plus pada 1.179,08 tidak mengatakan apa pun tentang q​wen-audio-3.1-tts-flash, yang tidak berada di arena mana pun, dan tidak mengatakan apa pun tentang q​wen-audio-3.1-tts-next, yang merupakan kategori produk berbeda dengan prefiks yang sama.

• Tanyakan apa arti "diumumkan 23 September" bagi Anda. Bagi tier TTS, itu tidak berarti apa-apa: tier-tier tersebut dicantumkan pada Oktober.

Sumber, dipisahkan berdasarkan siapa yang menyediakannya

Artificial Analysis, dibaca 9 November 2026 — Suara Terkontrol: Q​wen-Audio-3.1-TTS-Plus 1.179,08 Elo, #2 dari 49, interval 1.166,08–1.192,08; Bahasa Inggris AS 1.207,07, #1 dari 49, 1.190,07–1.224,07; Bahasa Inggris UK 1.136,72, #5 dari 49, 1.118,72–1.154,72; HeyGen Voice 1.188,52 gabungan, 1.187,28 AS, 1.181,55 UK. Suara Penyedia: Q​wen-Audio-3.1-TTS-Plus 1.303, #3 dari 104. Tanggal publikasi pemisahan aksen 7 November adalah milik Artificial Analysis.

• Alibaba Cloud Model Studio, dibaca 9 November 2026 — tanggal rilis per model dari halaman siklus hidup model dan pembaruan; harga, unit penagihan, aturan penghitungan karakter, dan kuota gratis dari halaman penagihan; 180 RPM dari halaman batas laju; empat suara unggulan Plus dan katalog suara Flash, termasuk lima belas suara bahasa Inggris beraksen dan 51 suara bahasa tambahan, dari halaman daftar suara Qwen-Audio-TTS.

• Tidak ada di setiap sumber di atas — rilis open-weights apa pun untuk keluarga speech 3.1. Repositori audio publik Q​wen berhenti pada Q​wen2-Audio, Juli 2024, dan arena mencatat Q​wen-Audio-3.1-TTS-Plus sebagai closed-weight. Tidak ada checkpoint untuk diunduh dan tidak ada jalur self-host.

• Milik kami — pengamatan bahwa kolom harga arena berada di bawah kedua tarif vendor yang dipublikasikan, argumen bahwa konversi karakter-ke-token tidak dapat dilakukan, dan klaim bahwa tier yang diukur adalah tier tanpa suara bahasa Inggris Britania. Yang pertama belum terselesaikan, yang kedua bertumpu pada tidak adanya rasio yang dipublikasikan, dan yang ketiga mengikuti dari dua daftar suara milik vendor itu sendiri.