Wygenerowana karta tytułowa z napisem „Który poziom właściwie wywołujesz?” nad wierszem „Qwen-Audio-3.1 to rodzina dziewięciu identyfikatorów modeli, a nie jeden punkt końcowy”, z dziewięcioma chipami w trzech rzędach po trzy z napisami tts-plus, tts-flash, tts-next, realtime-plus, realtime-flash, asr-flash, asr-flash-streaming, asr-flash-filetrans i asr-flash-message, podpisem „Wymienione etapami, od 20 września do 27 października 2026 r.” oraz stopką ze wskazaniem Alibaba Cloud Model Studio. Logo OrcaRouter jest nałożone w prawym dolnym rogu.
Guides & Insights

Qwen-Audio-3.1-TTS-Plus vs Qwen-Audio-3.1: jeden jest modelem, drugi to tylko plakietka

Autor

jinhao.song

Data publikacji

Najnowsze modele · 20Zobacz wszystkie modele →
Benchmarki: Artificial Analysis · aktualizowane codziennie
Powrót do wszystkich wpisów

Krótka odpowiedź: nie można wywołać Qwen-Audio-3.1, ponieważ taki model nie istnieje. Istnieje rodzina Qwen-Audio-3.1 — dziewięć identyfikatorów modeli, które Alibaba Cloud Model Studio dokumentuje osobno, w różnych datach wydania, z różnymi cenami i różnymi listami głosów — a Qwen-Audio-3.1-TTS-Plus jest jej członkiem premium, wymienionym w informacjach o wydaniu Alibaby z 21 października 2026 r., pięć tygodni po tym, jak pierwszy identyfikator z tej rodziny pojawił się 20 września. Model bliźniaczy, który większość ludzi faktycznie ma na myśli, pisząc „Qwen-Audio-3.1” w zgłoszeniu do pomocy technicznej, to Qwen-Audio-3.1-TTS-Flash, warstwa ogólnego przeznaczenia do syntezy mowy z tekstu. Te dwa modele wykonują tę samą pracę w różnych cenach. Wszystko poniżej dotyczy wyboru między nimi oraz jednego miejsca, w którym droższy nie potrafi zrobić tego, co potrafi tańszy.

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.

Najpierw dziewięć identyfikatorów

Własne informacje o wydaniu Alibaby są najprzejrzystszym źródłem i przeczą wrażeniu, jakie można odnieść z artykułu prasowego. Nie było jednego dnia premiery. Rodzina pojawiała się po kawałku przez pięć tygodni, a kolejne fragmenty wciąż napływają.

• q​wen-audio-3.1-realtime-plus — wpisany na listę 20 września 2026 r. zarówno w Singapurze, jak i w Pekinie. Dwukierunkowa rozmowa mowa do mowy z klonowaniem głosu.

• q​wen-audio-3.1-asr-flash wraz z jego wariantami -streaming, -filetrans i -message — wymieniony 21 września 2026 r. Cztery punkty końcowe rozpoznawania, a nie jeden: krótka forma, strumieniowanie, transkrypcja plików w trybie offline i zoptymalizowany wariant wiadomości głosowej.

• qwen-audio-3.1-tts-next — wymieniony 21 września 2026 r. w Pekinie, 22 października 2026 r. w Singapurze. Alibaba opisuje go jako model „AudioGen”: mowę, efekty dźwiękowe i dźwięki otoczenia generowane w jednym przebiegu na podstawie tekstu, znaczników czasu i dźwięku referencyjnego. Nie jest to warstwa TTS w zwykłym tego słowa znaczeniu.

• q​wen-audio-3.1-tts-flash — wymieniony 12 października 2026 w obu regionach. Strumieniowa synteza mowy dla asystentów, rozmów w czasie rzeczywistym i obsługi klienta.

• q​wen-audio-3.1-tts-plus — wymieniony 21 października 2026 r. w obu regionach. Wysokiej jakości synteza dla głosów premium i tworzenia treści, przy czym klonowanie głosu opisano jako bardziej odporne na zaszumione audio referencyjne.

• q​wen-audio-3.1-realtime-flash — wymieniony 27 października 2026. Tańsza warstwa dupleksowa, z oknem kontekstu 262 144 tokenów, wywoływaniem funkcji i wyszukiwaniem w internecie.

Zestaw te daty ze sobą, a problem z ujęciem staje się oczywisty. „Premiera Q​wen-Audio-3.1” pod koniec września obejmowała warstwy rozpoznawania i czasu rzeczywistego; dwie warstwy zamiany tekstu na mowę, o których w rzeczywistości jest większość artykułów, pojawiły się dopiero w październiku. Jeśli budowałeś coś z myślą o tej rodzinie w tygodniu ogłoszenia, warstwy Plus jeszcze w niej nie było.

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.

Porównanie, którego nikt nie przeprowadza, i to, które rozstrzyga sprawę

Plus na tle Flash to jedyna bezpośrednio porównywalna para w ramach rodziny. Oba przyjmują tekst, zwracają audio, rozliczają się przez to samo konto i mają ten sam publicznie podany limit. Różnice nie są takie, jak sugerują nazwy poziomów.

• Głosy — q​wen-audio-3.1-tts-plus ma cztery. Alibaba publikuje dla niego dokładnie cztery flagowe głosy systemowe: longanlingxin_v3.1, xunanchuan_v3.1, longanhuan_v3.1 i longanfengyue_v3.1 — trzy żeńskie i jeden męski. q​wen-audio-3.1-tts-flash ma katalog: głosy wielojęzyczne obejmujące osiem chińskich dialektów oraz japoński, koreański, francuski, niemiecki, portugalski, włoski, wietnamski i indonezyjski; długa lista głosów premium w mandaryńskim; głosy w dodatkowych językach: islandzki, maltański, suahili, kazachski, ukraiński i inne; oraz piętnaście głosów angielskich z określonymi akcentami — Emily, Luna, Eric i Luca w akcencie brytyjskim, a Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian i David w amerykańskim.

• Jednostka rozliczeniowa — Plus jest rozliczany za każdy znak wejściowy, bez opłaty za dane wyjściowe. Flash jest rozliczany za token, osobno za dane wejściowe i wyjściowe, po 0,23 USD i 1,87 USD za milion tokenów w Singapurze oraz 0,212 USD i 1,696 USD w Pekinie.

• Cennik — Plus kosztuje 0,30 USD za 10 000 znaków w Singapurze i 0,20 USD w Pekinie. Flash nie ma stawki za znak, ponieważ jego jednostką jest token.

• Liczenie znaków — jeśli masz plan Plus — znak chiński, japoński lub koreański liczy się jako dwa; litera łacińska, cyfra, znak interpunkcyjny lub spacja liczą się jako jeden. Tagi SSML nie są liczone. 你好 to cztery znaki.

• Limit szybkości — 180 żądań na minutę dla obu, w obu regionach. Ten pułap ich nie rozdziela.

• Wyjście — PCM, WAV, MP3 lub Opus, częstotliwości próbkowania do 48 kHz w obu trybach. Żądania nieprzesyłane strumieniowo zwracają adres URL ważny przez 24 godziny; transmisja strumieniowa zwraca fragmenty. Połączenie zostaje zamknięte, jeśli w ciągu 60 sekund od zakończenia poprzedniego zadania nie rozpocznie się nowe.

• Darmowy limit — Plus i Flash obejmują odpowiednio 1 000 000 darmowych znaków lub tokenów w Singapurze, ważnych przez 90 dni od aktywacji, premiery modelu lub zatwierdzenia wniosku.

Linia, która ma znaczenie, to ta pierwsza, i stoi w sprzeczności z nazewnictwem. Poziom o nazwie Plus ma cztery głosy. Poziom o nazwie Flash ma głosy, w tym jedyne angielskie głosy z brytyjskim akcentem, jakie A​libaba publikuje gdziekolwiek w tej rodzinie.

Zmierzony model nie jest modelem, który potrafi posługiwać się brytyjskim angielskim.

Qwen-Audio-3.1-TTS-Plus jest jedynym członkiem rodziny z niezależnym wynikiem, i ma trzy. W arenie Controlled Voice Artificial Analysis, gdzie każdy uczestnik syntezuje te same osiem sklonowanych głosów referencyjnych, zajmuje 1 179,08 Elo, drugie miejsce z 49, za HeyGen Voice z 1 188,52 i przed HeyGen Voice Turbo z 1 172,56 — dwa najwyższe przedziały nakładają się, więc drugie i pierwsze miejsce nie są statystycznie rozdzielone na tej tablicy. Po podziale według akcentu 7 listopada jest pierwszy z 49 w angielskim amerykańskim przy 1 207,07 i piąty w angielskim brytyjskim przy 1 136,72. W arenie Provider Voice, gdzie każdy dostawca dostarcza własne natywne głosy, jest trzeci z 104 przy 1 303, za Eleven v4 przy 1 339 i Eleven v4 Turbo przy 1 335.

Teraz postaw to obok listy głosów. Zespół, który czyta „pierwsze miejsce w angielskim amerykańskim” i zamawia plan Plus, kupuje model z czterema głosami. Jeśli produkt potrzebuje brytyjskiego głosu żeńskiego — najczęstszego pojedynczego wymagania w anglojęzycznej konsumenckiej pracy głosowej — plan Plus go nie ma. Flash ma, aż cztery. A Flash nie ma wyniku na żadnej z aren, więc nie ma niczego, z czym można porównać 1,207.

To pułapka w tym zestawieniu i ma charakter strukturalny, a nie stanowi wady. A​libaba weszła na jeden poziom w arenie. Poziom, na który weszła, jest tym premium, ponieważ to ten wart jest benchmarkowania. Konsekwencje dla kupującego nie są symetryczne: model z numerem nie potrafi akcentu, a model, który potrafi akcent, nie ma numeru. Wybór wyłącznie na podstawie pozycji w rankingu odwraca to.

Uczciwie kalkulując koszty

Każde porównanie tych dwóch próbuje odjąć jedną cenę od drugiej. To odejmowanie nie jest możliwe. Plus jest rozliczany w znakach; Flash w tokenach, przy czym dźwięk jest liczony po stronie wyjścia. Dla tego modelu nie opublikowano współczynnika przeliczeniowego znaków na tokeny, więc każde pojedyncze twierdzenie „Flash jest o X% tańszy” jest wymyślone.

Można powiedzieć, że chodzi o to, gdzie leży ryzyko. Stawka Flash za wyjście jest ośmiokrotnie wyższa niż jego stawka za wejście w Singapurze i ośmiokrotnie w Pekinie, więc audio dominuje na fakturze Flash przy każdym klipie o realistycznej długości, a liczba tokenów wyjściowych zależy od tego, jak długo model zdecyduje się mówić. Plus nie ma żadnej opłaty za wyjście: faktura jest funkcją wysłanego skryptu i niczego więcej. W przypadku stałych skryptów o znanej długości zamodeluj oba i zmierz — darmowy limit to pokrywa. W każdym przypadku, gdy tempo jest wyborem modelu, stała cena Plus za znak jest warta zapłacenia już choćby dla samej przewidywalności, a ten argument jest niezależny od jakości.

Jedno ostrzeżenie strukturalne dotyczące publicznie podawanych liczb. Arena Controlled Voice podaje poziom Plus na 19,31 USD za milion znaków. Strona rozliczeniowa Alibaby podaje 30,00 USD za milion w Singapurze i 20,00 USD w Pekinie. Stawka z areny jest niższa od obu i blisko odpowiada pekińskiej stawce poprzedniej generacji, qwen-audio-3.0-tts-plus, wynoszącej 0,19253 USD za 10 000 znaków. Z zewnątrz nie możemy stwierdzić, czy to nieaktualne odwzorowanie, czy niepublikowana stawka. Kalkuluj budżet na podstawie regionu, którego faktycznie używasz.

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.

Jak wybór jest rozstrzygany w potoku

W praktyce większość zespołów potrzebuje obu poziomów, a decyzja staje się operacyjna, a nie komercyjna. Przykładowy schemat: żądanie głosowe zawiera ustawienia regionalne i identyfikator głosu; identyfikator głosu określa poziom, ponieważ to katalog decyduje; poziom określa punkt końcowy; a polityka przełączania awaryjnego decyduje, co się stanie, gdy wybrany punkt końcowy ulegnie degradacji w połowie partii czterdziestu tysięcy klipów.

To problem routingu, a OrcaRouter powstał właśnie dla tej warstwy — DSL routingu, który mapowanie głosu na poziom wyraża jako konfigurację, a nie jako kod z rozgałęzieniami, automatyczne przełączanie awaryjne, dzięki któremu w razie awarii upstreamu żądanie trafia do drugiego silnika zamiast utraty klipu, oraz jeden klucz API dla ponad 200 modeli dzięki czemu komponent Q​wen odpowiedzialny za mowę i cokolwiek z nim połączysz znajdują się za jednym poświadczeniem i jedną podstawą cenową, a cena listowa dostawcy jest przekazywana bez narzutu (0%). Warto jasno określić granicę: OrcaRouter nie hostuje modeli mowy firmy A​libaba. Części Q​wen tej reguły to własne API dostawcy. Dostarczamy klucz, regułę i przełączanie awaryjne.

Lista kontrolna, zanim cokolwiek wydasz

• Potwierdź ID, a nie słowo określające poziom. Plus oznacza mniej głosów i rozliczanie za znaki. Flash oznacza katalog i rozliczanie za tokeny. Next oznacza sceny dźwiękowe. Żadne z tych słów nie opisuje, co robi model.

• Sprawdź listę głosów, zanim spojrzysz na cennik. Głos, którego nie masz, to nie cena, a akcent, którego potrzebujesz, może istnieć tylko na poziomie, który właśnie miałeś pominąć.

• Sprawdź region. Singapur i Pekin różnią się w przypadku każdej ceny z tej rodziny, a angielskie głosy premium to jedyna kategoria, którą A​libaba dokumentuje jako dostępną w obu.

• Traktuj pozycję na liście rankingowej jako pozycję dotyczącą jednego członka. Q​wen-Audio-3.1-TTS-Plus z wynikiem 1 179,08 nie mówi nic o q​wen-audio-3.1-tts-flash, którego nie ma na żadnej z aren, ani nic o q​wen-audio-3.1-tts-next, który należy do innej kategorii produktów o tym samym prefiksie.

• Zapytaj, co „ogłoszone 23 września” oznaczało dla Ciebie. Dla poziomów TTS nie oznaczało nic: zostały wymienione w październiku.

Źródła, oddzielone według tego, kto je dostarczył

• Artificial Analysis, odczyt z 9 listopada 2026 r. — Głos kontrolowany: Q​wen-Audio-3.1-TTS-Plus 1,179.08 Elo, #2 z 49, przedział 1,166.08–1,192.08; angielski amerykański 1,207.07, #1 z 49, 1,190.07–1,224.07; angielski brytyjski 1,136.72, #5 z 49, 1,118.72–1,154.72; HeyGen Voice 1,188.52 łącznie, 1,187.28 US, 1,181.55 UK. Głos dostawcy: Q​wen-Audio-3.1-TTS-Plus 1,303, #3 z 104. Data publikacji z podziałem na akcenty — 7 listopada — należy do Artificial Analysis.

• Alibaba Cloud Model Studio, odczytano 9 listopada 2026 r. — daty wydania poszczególnych modeli ze strony cyklu życia modeli i aktualizacji; ceny, jednostki rozliczeniowe, zasady liczenia znaków i bezpłatne limity ze strony rozliczeń; 180 RPM ze strony limitów szybkości; cztery flagowe głosy Plus i katalog głosów Flash, w tym piętnaście angielskich głosów z akcentem i 51 głosów w dodatkowych językach, ze strony listy głosów Qwen-Audio-TTS.

• Brak w żadnym z powyższych źródeł jakiegokolwiek wydania z otwartymi wagami dla rodziny modeli mowy 3.1. Publiczne repozytoria audio Q​wena kończą się na Qwen2-Audio z lipca 2024 r., a arena klasyfikuje Q​wen-Audio-3.1-TTS-Plus jako model z zamkniętymi wagami. Nie ma żadnego checkpointu do pobrania ani możliwości samodzielnego hostowania.

• Nasze — obserwacja, że kolumna cen areny znajduje się poniżej obu opublikowanych stawek dostawców, argument, że nie można przeprowadzić konwersji znaków na tokeny, oraz twierdzenie, że zmierzony poziom to ten bez brytyjskich głosów angielskich. Pierwsza pozostaje nierozstrzygnięta, drugi opiera się na braku opublikowanego współczynnika, a trzecie wynika z dwóch list głosów samego dostawcy.