生成されたタイトルカードには「実際に呼び出しているのはどのティア?」という見出しの下に「Qwen-Audio-3.1 は9つのモデルIDからなるファミリーであり、単一のエンドポイントではありません」という一文があり、9つのチップが3行×3列で tts-plus、tts-flash、tts-next、realtime-plus、realtime-flash、asr-flash、asr-flash-streaming、asr-flash-filetrans、asr-flash-message と表示され、キャプションは「ステージ別に記載、2026年9月20日〜10月27日」、フッターには Alibaba Cloud Model Studio が引用されています。OrcaRouter のロゴは右下に合成されています。
Guides & Insights

Qwen-Audio-3.1-TTS-Plus 対 Qwen-Audio-3.1:一方はモデル、もう一方はバッジ

著者

jinhao.song

公開日

最新モデル · 20すべてのモデルを見る →
ベンチマーク:Artificial Analysis · 毎日更新
すべての記事に戻る

短く言えば、Q​wen-Audio-3.1 を呼び出すことはできません。そのようなモデルは存在しないからです。Q​wen-Audio-3.1 ファミリーは存在します——A​libaba Cloud Model Studio が個別に、異なるリリース日に、異なる価格と異なる音声リストで文書化している9つのモデルIDからなり、Q​wen-Audio-3.1-TTS-Plus はそのプレミアムメンバーで、2026年10月21日の A​libaba のリリースノートに記載されています。これはファミリー最初のIDが9月20日に登場してから5週間後のことです。サポートチケットで「Q​wen-Audio-3.1」と書くとき、多くの人が実際に意味している兄弟モデルは Q​wen-Audio-3.1-TTS-Flash で、汎用テキスト読み上げティアです。この2つは異なる価格で同じ仕事をします。以下の内容はすべて、両者のどちらを選ぶかについて、そして高価なほうが安価なほうにできることをできない唯一の点についてです。

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.

まず、9つのID

Alibaba自身のリリースノートが最も明確な情報源であり、それはニュース記事から受ける印象と矛盾している。単一の提供開始日はなかった。この製品ファミリーは5週間にわたって少しずつ登場し、その構成要素は今も登場し続けている。

• qwen-audio-3.1-realtime-plus — 2026年9月20日にシンガポールと北京の両方で公開。双方向の音声対音声会話、音声クローニング付き。

• q​wen-audio-3.1-asr-flash と、その -streaming、-filetrans、-message 各バリアント — 2026年9月21日掲載。認識エンドポイントは1つではなく4つ:ショートフォーム、ストリーミング、オフラインファイル文字起こし、最適化されたボイスメッセージバリアント。

• qwen-audio-3.1-tts-next — 2026年9月21日に北京で、2026年10月22日にシンガポールで発表。Alibabaはこれを「AudioGen」モデルと説明している。テキスト、タイムスタンプ、参照音声から、音声・効果音・環境音を1回のパスで生成する。これは通常の意味でのTTSティアではない。

• qwen-audio-3.1-tts-flash — 2026年10月12日に両リージョンで提供開始。アシスタント、リアルタイム会話、カスタマーサービス向けのストリーミング音声合成。

• qwen-audio-3.1-tts-plus — 2026年10月21日に両リージョンで掲載。プレミアム音声やコンテンツ制作向けの高品質な合成を提供し、音声クローンはノイズの多い参照音声に対してより堅牢だと説明されています。

• q​wen-audio-3.1-realtime-flash — 2026年10月27日掲載。より安価な双方向ティアで、262,144トークンのコンテキストウィンドウ、関数呼び出し、Web検索を備えています。

これらの日付を照らし合わせれば、枠組みの問題は明らかです。9月下旬の{{1}}Q​wen-Audio-3.1 launch{{/1}}は認識とリアルタイムのティアをカバーしていましたが、ほとんどの記事が実際に取り上げている2つの音声合成ティアは10月まで登場しませんでした。発表の週にこのファミリーを前提に構築した場合、Plusティアはまだ含まれていませんでした。

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.

誰も行わない比較、そして勝敗を決める比較

Plus と Flash の比較は、このファミリー内で唯一の同種同士の組み合わせだ。どちらもテキストを受け取り、音声を返し、同じアカウントで課金され、同じ公表された上限の下にある。違いは、ティアを表す言葉が示唆するようなものではない。

• 音声 — q​wen-audio-3.1-tts-plus には4種類あります。A​libaba はこのモデル向けにフラッグシップシステム音声をちょうど4種類公開しています:longanlingxin_v3.1、xunanchuan_v3.1、longanhuan_v3.1、longanfengyue_v3.1 で、女性3種類と男性1種類です。q​wen-audio-3.1-tts-flash にはカタログがあります:8つの中国語方言に加えて日本語、韓国語、フランス語、ドイツ語、ポルトガル語、イタリア語、ベトナム語、インドネシア語をカバーする多言語音声;多数の北京語プレミアム音声;アイスランド語、マルタ語、スワヒリ語、カザフ語、ウクライナ語などの追加言語音声;そして、アクセント名付きの15種類の英語音声 — Emily、Luna、Eric、Luca がイギリス英語、Abby、Annie、Ava、Beth、Betty、Cally、Cindy、Donna、Andy、Brian、David がアメリカ英語です。

• 課金単位 — Plusは入力文字数に応じて課金され、出力は無料です。Flashはトークン単位で、入力と出力が別々に課金され、シンガポールでは100万トークンあたり$0.23と$1.87、北京では$0.212と$1.696です。

• 料金表 — Plusはシンガポールで1万文字あたり$0.30、北京で$0.20です。Flashには文字あたりの金額がありません。単位がトークンだからです。

• 文字数のカウントでは、Plus をご利用の場合、中国語・日本語・韓国語の文字は 2 文字としてカウントされ、ラテン文字、数字、句読点、スペースは 1 文字としてカウントされます。SSML タグはカウントされません。你好 は 4 文字です。

• レート制限 — 両方とも、両リージョンで毎分180リクエスト。この上限は両者を区別しません。

• 出力 — PCM、WAV、MP3、またはO​pus、サンプルレートは最大48 kHz、両方に対応。非ストリーミングリクエストは24時間有効なURLを返し、ストリーミングはチャンクを返します。前のタスクが終了してから60秒以内に新しいタスクが開始されない場合、接続は閉じられます。

• 無料枠 — Plusには1,000,000文字、Flashには1,000,000トークンの無料枠がそれぞれ用意され、シンガポールでアクティベーション、モデルリリース、または申請承認のいずれかから90日間有効です。

重要なのは最初の行であり、それは命名に反している。Plusという階層には4つの音声がある。Flashという階層には音声が揃っており、Alibabaがこのファミリーのどこでも公開している唯一の英国アクセントの英語音声も含まれている。

測定されたモデルは、イギリス英語を話せるモデルではありません。

Q​wen-Audio-3.1-TTS-Plusは、ファミリーの中で独立したスコアを持つ唯一のメンバーであり、しかもそのスコアは3つある。Artificial AnalysisのControlled Voiceアリーナでは、すべての参加者が同じ8つのクローン参照音声を合成するが、同モデルは1,179.08 Eloで49件中2位となり、1,188.52のHeyGen Voiceの後ろ、1,172.56のHeyGen Voice Turboの前に位置する——上位2つの信頼区間は重なっているため、このボード上では2位と1位は統計的に区別されない。11月7日にアクセント別に分けると、米国英語では1,207.07で49件中1位、英国英語では1,136.72で5位となる。各ベンダーが独自のネイティブ音声を提供するProvider Voiceアリーナでは、1,303で104件中3位となり、1,339のEleven v4と1,335のEleven v4 Turboに次ぐ。

さて、それを音声リストの横に並べてみましょう。「US Englishで1位」と読み、Plus tierを注文するチームは、4音声モデルを買っていることになります。製品にイギリス英語の女性音声が必要な場合——英語のコンシューマー向け音声制作で最も一般的な要件——Plus tierにはそれがありません。Flashにはあり、しかも4つあります。さらにFlashはどちらのアリーナにもスコアがないため、1,207と比較できるものはありません。

それがこの対戦における罠であり、欠陥ではなく構造的なものだ。A​libabaはアリーナで1つのティアに参加した。それが参加したティアはプレミアムなものだ、なぜならベンチマークする価値があるのはそれだからだ。買い手にとっての帰結は対称ではない。数値を持つモデルはアクセントをこなせず、アクセントをこなせるモデルは数値を持たない。順位だけで選ぶと、これを逆にしてしまう。

正直にコストを算出する

これら2つの比較はどれも、一方の価格をもう一方から差し引こうとする。その引き算は成り立たない。Plusは文字単位、Flashはトークン単位で、音声は出力側でカウントされる。このモデルについて公表された文字対トークン比はないため、「FlashはX%安い」という単一の主張はすべてでっち上げだ。

言えるのは、リスクがどこにあるかだ。Flashの出力料率は入力料率の8倍で、シンガポールでも北京でも8倍なので、現実的な長さのクリップでは音声がFlashの請求額の大部分を占め、出力トークン数はモデルがどれだけ話すと決めるかに左右される。Plusには出力課金が一切ない。請求額は送信したスクリプトだけで決まり、それ以外の何ものにも左右されない。長さが既知の固定スクリプトなら、両方をモデル化して測定すればよい。無料枠で足りる。話すペースをモデルが決める場合は、Plusの文字単位の均一料金は、予測可能性のためだけでも支払う価値があり、その論拠は品質とは無関係だ。

公開されている数値に関する構造的な注意点が1つあります。Controlled Voiceアリーナでは、Plusティアを100万文字あたり19.31ドルとしています。Alibabaの請求ページでは、シンガポールで100万文字あたり30.00ドル、北京で20.00ドルと記載されています。アリーナの数値は両方より低く、前世代の北京料金であるqwen-audio-3.0-tts-plusの1万文字あたり0.19253ドルとほぼ一致します。それが古いマッピングなのか未公開の料金なのかは、外部からは判断できません。予算は、実際に呼び出すリージョンに基づいて立ててください。

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.

パイプライン内でその選択がどのように解決されるか

実際には、ほとんどのチームが両方のティアを必要とし、判断は商業的なものではなく運用上のものになります。具体的な流れはこうです。音声リクエストにはロケールと音声IDが含まれ、音声IDがティアを決めます(カタログがそう決めているためです)。ティアがエンドポイントを決め、フェイルオーバーポリシーが、選択したエンドポイントが4万本のクリップのバッチの途中で劣化した場合にどうするかを決めます。

それはルーティングの問題であり、OrcaRouter がまさにそのために作られたレイヤーです — 音声からティアへのマッピングを設定として表現するルーティング DSLであり、分岐するコードとしてではなく、障害が発生した上流がリクエストを別のエンジンへ引き渡す自動フェイルオーバーによりクリップを失わずに済み、200 以上のモデルにまたがる単一の API キーによって、Q​wen の音声レッグとそれに統合するものすべてが単一の認証情報と単一の価格基準の下に置かれ、プロバイダーの定価は 0% のマークアップでそのまま反映されます。境界は明確にしておく価値があります。OrcaRouter は A​libaba の音声モデルをホストしていません。そのルールの Q​wen レッグはベンダー自身の API です。当社が提供するのは、キー、ルール、そしてフェイルオーバーです。

何かにお金を使う前のチェックリスト

• 確認すべきはIDであり、ティア名ではありません。Plusはボイス数が少ないこととキャラクター課金を意味します。Flashはカタログとトークン課金を意味します。Nextはサウンドシーンを意味します。これらのどの語も、モデルが何をするかを説明していません。

• 料金表の前に音声リストを確認してください。手持ちにない音声は価格ではなく、必要なアクセントは、飛ばそうとしていたティアにしか存在しないかもしれません。

• リージョンを確認してください。シンガポールと北京では、このファミリーのすべての価格が異なります。また、英語のプレミアム音声は、A​libaba が両方で利用可能と文書化している唯一のカテゴリです。

• リーダーボードの順位は、1人のメンバーに対する順位として扱う。1,179.08 の Q​wen-Audio-3.1-TTS-Plus は、どちらのアリーナにも存在しない q​wen-audio-3.1-tts-flash について何も語らず、同じ接頭辞を持つ別の製品カテゴリーである q​wen-audio-3.1-tts-next についても何も語らない。

• 「9月23日に発表」ということがあなたにとって何を意味するのか尋ねる。TTSの各ティアにとって、それは何の意味もなかった。それらは10月に掲載されていた。

提供者ごとに分けた情報源

Artificial Analysis、2026年11月9日閲覧 — Controlled Voice:Qwen-Audio-3.1-TTS-Plus は1,179.08 Elo、49件中2位、区間1,166.08~1,192.08。米国英語は1,207.07、49件中1位、1,190.07~1,224.07。英国英語は1,136.72、49件中5位、1,118.72~1,154.72。HeyGen Voiceは統合値1,188.52、米国1,187.28、英国1,181.55。Provider Voice:Qwen-Audio-3.1-TTS-Plus は1,303、104件中3位。11月7日というアクセント別の公開日はArtificial Analysisによるものです。

• A​libaba Cloud Model Studio、2026年11月9日閲覧 — モデルごとのリリース日はモデルライフサイクルと更新ページから、価格・課金単位・文字数カウント規則・無料枠は課金ページから、180 RPMはレート制限ページから、Plusのフラッグシップ音声4種とFlash音声カタログ(アクセント付き英語音声15種と追加言語音声51種を含む)はQ​wen-Audio-TTS音声リストページから。

• 上記のどのソースにも存在しない — 3.1音声ファミリーのオープンウェイト版リリースは。Qwenの公開音声リポジトリは2024年7月のQwen2-Audioで止まっており、arenaはQwen-Audio-3.1-TTS-Plusをクローズドウェイトとして記録している。ダウンロードできるチェックポイントも、セルフホストの手段もない。

• 我々の見解 — アリーナの価格列が公表されているベンダー料金の両方を下回るという観察、文字からトークンへの変換は行えないという主張、そして測定されたティアが英国英語の音声を持たないものであるという主張。第一点は未解決であり、第二点は公表された比率の不在に依拠しており、第三点はベンダー自身の2つの音声リストから導かれる。