
Qwen-Audio-3.1-TTS-Plus vs Qwen-Audio-3.1: uno è un modello, l'altro è un badge
- OrcaNUOVOOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 per 1M di token · 187 tok/s
- openaiNUOVOOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 per 1M di token · 78 tok/s
- openaiNUOVOOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 per 1M di token · 154 tok/s
- tencentNUOVOTencent: Hy4 Flash2026-11-16$0.02 / $0.07 per 1M di token · 204 tok/s
- AlibabaNUOVOQwen: Qwen4 Max2026-11-16$1.50 / $4.50 per 1M di token · 88 tok/s
- GoogleNUOVOGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 per 1M di token · 705 tok/s
- AnthropicNUOVOAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 per 1M di token · 248 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 per 1M di token · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 per 1M di token · 139 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 per 1M di token · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 per 1M di token · 123 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 per 1M di token · 101 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 per 1M di token · 69 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 per 1M di token · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 per 1M di token · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Intelligenza
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 per 1M di token · 230 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Intelligenza
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 per 1M di token · 101 tok/s
La risposta breve: non puoi chiamare Qwen-Audio-3.1, perché quel modello non esiste. Esiste una famiglia Qwen-Audio-3.1 — nove ID modello che Alibaba Cloud Model Studio documenta separatamente, con date di rilascio, prezzi ed elenchi di voci diversi — e Qwen-Audio-3.1-TTS-Plus è il membro premium, elencato nelle note di rilascio di Alibaba il 21 ottobre 2026, cinque settimane dopo la comparsa del primo ID della famiglia il 20 settembre. Il fratello che la maggior parte delle persone intende davvero quando scrive "Qwen-Audio-3.1" in un ticket di assistenza è Qwen-Audio-3.1-TTS-Flash, il livello text-to-speech generico. Quei due svolgono lo stesso compito a prezzi diversi. Tutto quanto segue riguarda la scelta tra i due e l'unico punto in cui quello costoso non può fare ciò che quello economico può.

Prima, i nove ID
Le note di rilascio di Alibaba stesso sono la fonte più chiara, e contraddicono l’impressione che si ricava da un articolo di cronaca. Non c’è stato un unico giorno di lancio. La famiglia è arrivata in pezzi nell’arco di cinque settimane, e i pezzi stanno ancora arrivando.
• qwen-audio-3.1-realtime-plus — inserito in elenco il 20 settembre 2026 sia a Singapore sia a Pechino. Conversazione vocale duplex da voce a voce, con clonazione vocale.
• qwen-audio-3.1-asr-flash, insieme alle sue varianti -streaming, -filetrans e -message — elencato il 21 settembre 2026. Quattro endpoint di riconoscimento, non uno solo: forma breve, streaming, trascrizione offline di file e una variante ottimizzata per i messaggi vocali.
• qwen-audio-3.1-tts-next — elencato il 21 settembre 2026 a Pechino, il 22 ottobre 2026 a Singapore. Alibaba lo descrive come un modello "AudioGen": parlato, effetti sonori e ambienti sonori generati in un solo passaggio da testo, timestamp e audio di riferimento. Non è un livello TTS nel senso ordinario.
• qwen-audio-3.1-tts-flash — elencato il 12 ottobre 2026 in entrambe le regioni. Sintesi vocale in streaming per assistenti, conversazione in tempo reale e servizio clienti.
• qwen-audio-3.1-tts-plus — elencato il 21 ottobre 2026 in entrambe le regioni. Sintesi di alta qualità per voci premium e creazione di contenuti, con la clonazione vocale descritta come più robusta rispetto ad audio di riferimento rumorosi.
• qwen-audio-3.1-realtime-flash — elencato il 27 ottobre 2026. Il livello duplex più economico, con una finestra di contesto di 262.144 token, chiamata di funzioni e ricerca web.
Confrontando quelle date tra loro, il problema di impostazione è evidente. Un "lancio di Qwen-Audio-3.1" a fine settembre copriva i livelli di riconoscimento e realtime; i due livelli text-to-speech di cui in realtà parlano la maggior parte degli articoli non sono comparsi prima di ottobre. Se hai sviluppato basandoti sulla famiglia nella settimana dell'annuncio, il livello Plus non era ancora incluso.

Il confronto che nessuno fa, e quello che decide tutto
Plus rispetto a Flash è l'unica coppia davvero omogenea all'interno della famiglia. Entrambi ricevono testo, restituiscono audio, fatturano tramite lo stesso account e si collocano sotto lo stesso tetto pubblicato. Le differenze non sono quelle che le parole dei livelli lasciano intendere.
• Voci: qwen-audio-3.1-tts-plus ne ha quattro. Alibaba pubblica esattamente quattro voci di sistema flagship per questo modello: longanlingxin_v3.1, xunanchuan_v3.1, longanhuan_v3.1 e longanfengyue_v3.1, tre femminili e una maschile. qwen-audio-3.1-tts-flash dispone del catalogo: voci multilingue che coprono otto dialetti cinesi più giapponese, coreano, francese, tedesco, portoghese, italiano, vietnamita e indonesiano; un lungo elenco di voci premium in mandarino; voci in lingue aggiuntive per islandese, maltese, swahili, kazako, ucraino e altre ancora; e quindici voci inglesi con accenti specificati: Emily, Luna, Eric e Luca come britannico, e Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian e David come americano.
• Unità di fatturazione — Plus viene fatturato per carattere di input, senza alcun costo per l'output. Flash viene fatturato per token, input e output separatamente, a $0.23 e $1.87 per milione di token a Singapore e $0.212 e $1.696 a Pechino.
• Tariffario — Plus costa $0.30 per 10.000 caratteri a Singapore e $0.20 a Pechino. Flash non ha un prezzo per carattere, perché la sua unità è il token.
• Conteggio dei caratteri: se sei su Plus, un carattere cinese, giapponese o coreano conta come due; una lettera latina, una cifra, un segno di punteggiatura o uno spazio contano come uno. I tag SSML non vengono conteggiati. 你好 corrisponde a quattro caratteri.
• Limite di frequenza — 180 richieste al minuto per entrambi, in entrambe le regioni. Il limite massimo non li separa.
• Output — PCM, WAV, MP3 o Opus, frequenze di campionamento fino a 48 kHz, su entrambi. Le richieste non in streaming restituiscono un URL valido per 24 ore; lo streaming restituisce chunk. Una connessione viene chiusa se non viene avviata una nuova attività entro 60 secondi dalla fine della precedente.
• Quota gratuita — Plus e Flash dispongono rispettivamente di 1.000.000 di caratteri o token gratuiti a Singapore, validi per 90 giorni dall'attivazione, dal rilascio del modello o dall'approvazione della domanda.
La riga che conta è la prima, e va contro la denominazione. Il livello chiamato Plus ha quattro voci. Il livello chiamato Flash ha le voci, incluse le uniche voci inglesi con accento britannico che Alibaba pubblica in tutta questa famiglia.
Il modello misurato non è il modello che sa parlare inglese britannico.
Qwen-Audio-3.1-TTS-Plus è l'unico membro della famiglia ad avere un punteggio indipendente, e ne ha tre. Nell'arena Controlled Voice di Artificial Analysis, dove ogni partecipante sintetizza le stesse otto voci di riferimento clonate, si classifica al secondo posto su 49 con 1.179,08 Elo, dietro a HeyGen Voice con 1.188,52 e davanti a HeyGen Voice Turbo con 1.172,56 — i due intervalli delle prime due posizioni si sovrappongono, quindi il secondo e il primo posto non sono statisticamente separati in quella graduatoria. Suddiviso per accento il 7 novembre, è primo su 49 in inglese americano con 1.207,07 e quinto in inglese britannico con 1.136,72. Nell'arena Provider Voice, dove ciascun fornitore mette a disposizione le proprie voci native, è terzo su 104 con 1.303, dietro a Eleven v4 con 1.339 ed Eleven v4 Turbo con 1.335.
Ora mettilo accanto all'elenco delle voci. Un team che legge "primo in inglese americano" e ordina il piano Plus sta acquistando un modello con quattro voci. Se il prodotto richiede una voce femminile britannica — il requisito più comune in assoluto nel lavoro sulle voci consumer in lingua inglese — il piano Plus non ne ha una. Flash sì, quattro. E Flash non ha alcun punteggio in nessuna delle due arene, quindi non c'è nulla da confrontare con 1.207.
Questa è la trappola in questo confronto, ed è strutturale, non un difetto. Alibaba è entrato in una sola fascia dell'arena. La fascia in cui è entrato è quella premium, perché è quella che vale la pena valutare con un benchmark. Le conseguenze per un acquirente non sono simmetriche: il modello che ha il numero non riesce a fare l'accento, e il modello che riesce a fare l'accento non ha un numero. Scegliere solo in base alla classifica fa invertire le cose.
Calcolandone il costo, onestamente
Ogni confronto tra questi due tenta di sottrarre un prezzo dall'altro. Questa sottrazione non è disponibile. Plus è denominato in caratteri; Flash in token, con l'audio conteggiato sul lato dell'output. Non esiste un rapporto caratteri-token pubblicato per questo modello, quindi qualsiasi singola affermazione «Flash costa X% in meno» è inventata.
Quel che si può dire è dove sta il rischio. La tariffa di output di Flash è otto volte quella di input a Singapore e otto volte a Pechino, quindi l'audio domina una fattura Flash su qualsiasi clip di durata realistica, e il numero di token di output dipende da quanto a lungo il modello decide di parlare. Plus non ha alcun costo di output: la fattura è funzione dello script che hai inviato, e nient'altro. Per script fissi di lunghezza nota, simula entrambi e misura — la quota gratuita lo copre. Per qualsiasi cosa in cui il ritmo sia una scelta del modello, il prezzo forfettario per carattere di Plus vale la pena pagarlo solo per la prevedibilità, e questo argomento è indipendente dalla qualità.
Un avvertimento strutturale sui numeri pubblici. L'arena Controlled Voice indica il livello Plus a 19,31 $ per milione di caratteri. La pagina di fatturazione di Alibaba indica 30,00 $ per milione a Singapore e 20,00 $ a Pechino. Il dato dell'arena è inferiore a entrambi e corrisponde strettamente alla tariffa di Pechino della generazione precedente, qwen-audio-3.0-tts-plus a 0,19253 $ per 10.000 caratteri. Non possiamo stabilire dall'esterno se si tratti di una mappatura obsoleta o di una tariffa non pubblicata. Prevedi il budget in base alla regione che chiami effettivamente.

Come la scelta si risolve in una pipeline
In pratica, la maggior parte dei team ha bisogno di entrambi i livelli e la decisione diventa operativa anziché commerciale. Un esempio concreto: la richiesta vocale contiene una locale e un ID voce; l'ID voce determina il livello, perché è il catalogo a farlo; il livello determina l'endpoint; e una policy di failover decide cosa succede quando l'endpoint scelto si degrada a metà di un lotto di quarantamila clip.
Questo è un problema di routing, ed è il livello per cui è costruito OrcaRouter — un DSL di routing che esprime la mappatura dalla voce al livello come configurazione anziché come codice con ramificazioni, failover automatico così che un upstream in errore passi la richiesta a un secondo motore invece di perdere la clip, e un'unica chiave API per oltre 200 modelli così che il ramo vocale di Qwen e qualunque cosa fondiate con esso stiano dietro un'unica credenziale e un'unica base di prezzo, con il prezzo di listino del provider trasferito a un ricarico dello 0%. Il confine merita di essere dichiarato chiaramente: OrcaRouter non ospita i modelli vocali di Alibaba. I rami Qwen di quella regola sono l'API del fornitore stesso. Ciò che forniamo è la chiave, la regola e il failover.
La checklist prima di spendere qualsiasi cosa
• Conferma l'ID, non la parola del livello. Plus significa meno voci e fatturazione a caratteri. Flash significa catalogo e fatturazione a token. Next significa scene sonore. Nessuna di queste parole descrive ciò che fa il modello.
• Controlla l'elenco delle voci prima del tariffario. Una voce che non hai non è un prezzo, e l'accento che ti serve potrebbe esistere solo nel livello che stavi per saltare.
• Controlla la regione. Singapore e Pechino differiscono su ogni prezzo di questa famiglia, e le voci premium in inglese sono l'unica categoria che Alibaba documenta come disponibile in entrambe.
• Considera una posizione in classifica come la posizione di un singolo membro. Qwen-Audio-3.1-TTS-Plus a 1.179,08 non dice nulla su qwen-audio-3.1-tts-flash, che non è presente in nessuna delle due arene, e nulla su qwen-audio-3.1-tts-next, che è una categoria di prodotto diversa con lo stesso prefisso.
• Chiedi cosa significava per te "annunciato il 23 settembre". Per i livelli TTS non significava nulla: sono stati elencati in ottobre.
Fonti, suddivise in base a chi le ha fornite
• Artificial Analysis, consultato il 9 novembre 2026 — Controlled Voice: Qwen-Audio-3.1-TTS-Plus 1,179.08 Elo, #2 su 49, intervallo 1,166.08–1,192.08; inglese americano 1,207.07, #1 su 49, 1,190.07–1,224.07; inglese britannico 1,136.72, #5 su 49, 1,118.72–1,154.72; HeyGen Voice 1,188.52 aggregato, 1,187.28 USA, 1,181.55 Regno Unito. Provider Voice: Qwen-Audio-3.1-TTS-Plus 1,303, #3 su 104. La data di pubblicazione della suddivisione per accento del 7 novembre è di Artificial Analysis.
• Alibaba Cloud Model Studio, consultato il 9 novembre 2026 — date di rilascio per modello dalla pagina del ciclo di vita e degli aggiornamenti dei modelli; prezzi, unità di fatturazione, regole di conteggio dei caratteri e quote gratuite dalla pagina di fatturazione; 180 RPM dalla pagina dei limiti di frequenza; le quattro voci di punta Plus e il catalogo voci Flash, incluse le quindici voci inglesi con accento e 51 voci in lingue aggiuntive, dalla pagina dell'elenco voci di Qwen-Audio-TTS.
• Assente da ogni fonte sopra elencata — qualsiasi rilascio open-weights per la famiglia vocale 3.1. I repository audio pubblici di Qwen si fermano a Qwen2-Audio, luglio 2024, e l'arena registra Qwen-Audio-3.1-TTS-Plus come closed-weight. Non c'è alcun checkpoint da scaricare e nessun percorso di self-hosting.
• Il nostro — l'osservazione che la colonna dei prezzi dell'arena si colloca al di sotto di entrambe le tariffe pubblicate dal fornitore, l'argomentazione secondo cui non è possibile effettuare una conversione da caratteri a token e l'affermazione che il livello misurato è quello privo di voci in inglese britannico. Il primo punto è irrisolto, il secondo si basa sull'assenza di un rapporto pubblicato e il terzo deriva dalle due liste di voci dello stesso fornitore.
