Um cartão de título gerado com o texto "Qual nível você está realmente chamando?" acima da linha "Qwen-Audio-3.1 é uma família de nove IDs de modelo, não um único endpoint", com nove chips em três linhas de três, com os textos tts-plus, tts-flash, tts-next, realtime-plus, realtime-flash, asr-flash, asr-flash-streaming, asr-flash-filetrans e asr-flash-message, uma legenda "Listados em etapas, 20 de setembro a 27 de outubro de 2026", e um rodapé citando Alibaba Cloud Model Studio. O logotipo da OrcaRouter está composto no canto inferior direito.
Guides & Insights

Qwen-Audio-3.1-TTS-Plus vs Qwen-Audio-3.1: Um é um modelo, o outro é um selo

Autor

jinhao.song

Data de publicação

Modelos mais recentes · 20Ver todos os modelos →
Benchmarks: Artificial Analysis · atualizado diariamente
Voltar para todas as publicações

A resposta curta: você não pode chamar Q​wen-Audio-3.1, porque não existe esse modelo. Existe uma família Q​wen-Audio-3.1 — nove IDs de modelo que o A​libaba Cloud Model Studio documenta separadamente, em datas de lançamento diferentes, com preços diferentes e listas de vozes diferentes — e Q​wen-Audio-3.1-TTS-Plus é o membro premium dela, listado nas notas de versão da A​libaba em 21 de outubro de 2026, cinco semanas depois de o primeiro ID da família ter aparecido em 20 de setembro. O irmão que a maioria das pessoas realmente quer dizer quando escreve "Q​wen-Audio-3.1" em um chamado de suporte é Q​wen-Audio-3.1-TTS-Flash, a camada de conversão de texto em fala de uso geral. Esses dois fazem o mesmo trabalho por preços diferentes. Tudo abaixo trata da escolha entre eles e do único ponto em que o caro não consegue fazer o que o barato consegue.

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.

Primeiro, os nove IDs

As notas de lançamento da própria Alibaba são a fonte mais clara, e contradizem a impressão que se tem a partir de uma notícia. Não houve um único dia de lançamento. A família chegou em partes ao longo de cinco semanas, e as partes ainda estão chegando.

• q​wen-audio-3.1-realtime-plus — listado em 20 de setembro de 2026 em Singapura e Pequim. Conversa duplex de fala para fala, com clonagem de voz.

• q​wen-audio-3.1-asr-flash, juntamente com suas variantes -streaming, -filetrans e -message — listado em 21 de setembro de 2026. Quatro endpoints de reconhecimento, não apenas um: formato curto, streaming, transcrição de arquivos offline e uma variante otimizada para mensagens de voz.

• q​wen-audio-3.1-tts-next — listado a 21 de setembro de 2026 em Pequim e a 22 de outubro de 2026 em Singapura. A​libaba descreve-o como um modelo "AudioGen": fala, efeitos sonoros e ambiência gerados numa única passagem a partir de texto, timestamps e áudio de referência. Não é um nível de TTS no sentido comum.

• qwen-audio-3.1-tts-flash — listado em 12 de outubro de 2026 em ambas as regiões. Síntese de fala em streaming para assistentes, conversação em tempo real e atendimento ao cliente.

• q​wen-audio-3.1-tts-plus — listado em 21 de outubro de 2026 em ambas as regiões. Síntese de alta qualidade para vozes premium e criação de conteúdo, com clonagem de voz descrita como mais robusta a áudios de referência ruidosos.

• qwen-audio-3.1-realtime-flash — listado em 27 de outubro de 2026. O nível duplex mais econômico, com uma janela de contexto de 262.144 tokens, chamada de funções e pesquisa na web.

Compare essas datas entre si e o problema de enquadramento fica óbvio. Um “lançamento do Q​wen-Audio-3.1” no final de setembro abrangia os níveis de reconhecimento e de tempo real; os dois níveis de conversão de texto em fala sobre os quais a maioria dos artigos realmente trata só apareceram em outubro. Se você desenvolveu com base na família na semana do anúncio, o nível Plus ainda não fazia parte dela.

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.

A comparação que ninguém faz, e a que decide tudo

Plus contra Flash é o único par equivalente dentro da família. Ambos recebem texto, retornam áudio, cobram pela mesma conta e ficam sob o mesmo teto publicado. As diferenças não são as que as palavras de nível sugerem.

• Vozes — o qwen-audio-3.1-tts-plus tem quatro. A Alibaba publica exatamente quatro vozes de sistema principais para ele: longanlingxin_v3.1, xunanchuan_v3.1, longanhuan_v3.1 e longanfengyue_v3.1, três femininas e uma masculina. O qwen-audio-3.1-tts-flash tem o catálogo: vozes multilíngues que abrangem oito dialetos chineses, além de japonês, coreano, francês, alemão, português, italiano, vietnamita e indonésio; uma longa lista de vozes premium em mandarim; vozes em idiomas adicionais para islandês, maltês, suaíli, cazaque, ucraniano e mais; e quinze vozes em inglês com sotaques nomeados — Emily, Luna, Eric e Luca como britânicas, e Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian e David como americanas.

• Unidade de cobrança — O Plus é cobrado por caractere de entrada, sem cobrança pela saída. O Flash é cobrado por token, entrada e saída separadamente, a $0.23 e $1.87 por milhão de tokens em Singapura e $0.212 e $1.696 em Pequim.

Tabela de preços — Plus custa $0,30 por 10.000 caracteres em Singapura e $0,20 em Pequim. Flash não tem valor por caractere, porque sua unidade é o token.

• Contagem de caracteres: se você estiver no Plus, um caractere chinês, japonês ou coreano conta como dois; uma letra latina, dígito, sinal de pontuação ou espaço conta como um. As tags SSML não são contadas. 你好 são quatro caracteres.

• Limite de requisições — 180 requisições por minuto para ambos, em ambas as regiões. O teto não os separa.

• Saída — PCM, WAV, MP3 ou Opus, taxas de amostragem de até 48 kHz, em ambos. Solicitações não streaming retornam uma URL válida por 24 horas; streaming retorna chunks. Uma conexão é encerrada se nenhuma nova tarefa começar dentro de 60 segundos após o término da anterior.

• Cota gratuita — Plus e Flash têm, cada um, 1.000.000 de caracteres ou tokens gratuitos, respectivamente, em Singapura, válidos por 90 dias a partir da ativação, do lançamento do modelo ou da aprovação da candidatura.

A linha que importa é a primeira, e ela vai contra a nomenclatura. O nível chamado Plus tem quatro vozes. O nível chamado Flash tem as vozes, incluindo as únicas vozes em inglês com sotaque britânico que a A​libaba publica em qualquer lugar desta família.

O modelo medido não é o modelo que consegue falar inglês britânico.

O Qwen-Audio-3.1-TTS-Plus é o único membro da família com uma pontuação independente, e tem três. Na arena Controlled Voice da Artificial Analysis, onde cada participante sintetiza as mesmas oito vozes de referência clonadas, ocupa 1.179,08 Elo, em segundo lugar entre 49, atrás do HeyGen Voice, com 1.188,52, e à frente do HeyGen Voice Turbo, com 1.172,56 — os dois intervalos superiores sobrepõem-se, pelo que o segundo e o primeiro não estão estatisticamente separados nesse quadro. Na divisão por sotaque, a 7 de novembro, é o primeiro entre 49 em inglês americano, com 1.207,07, e o quinto em inglês britânico, com 1.136,72. Na arena Provider Voice, onde cada fornecedor fornece as suas próprias vozes nativas, é o terceiro entre 104, com 1.303, atrás do Eleven v4, com 1.339, e do Eleven v4 Turbo, com 1.335.

Agora coloque isso ao lado da lista de vozes. Uma equipe que lê "em primeiro lugar em inglês dos EUA" e contrata o plano Plus está comprando um modelo de quatro vozes. Se o produto precisa de uma voz feminina britânica — o requisito mais comum, isoladamente, em trabalhos de voz de consumo em inglês — o plano Plus não tem nenhuma. O Flash tem, quatro delas. E o Flash não tem pontuação em nenhuma das duas arenas, então não há nada para comparar com 1,207.

Essa é a armadilha deste confronto, e ela é estrutural, não um defeito. A​libaba entrou em um nível da arena. O nível em que entrou é o premium, porque é o que vale a pena comparar por benchmark. As consequências para um comprador não são simétricas: o modelo que tem o número não consegue fazer o sotaque, e o modelo que consegue fazer o sotaque não tem número. Escolher apenas pelo ranking inverte isso.

Calculando o custo, honestamente

Toda comparação entre esses dois tenta subtrair um preço do outro. Essa subtração não está disponível. O Plus é cobrado em caracteres; o Flash, em tokens, com o áudio contabilizado no lado da saída. Não há proporção publicada de caracteres para tokens para este modelo, então qualquer afirmação única de que "o Flash é X% mais barato" é inventada.

O que se pode afirmar é onde reside o risco. A taxa de saída do Flash é oito vezes a de entrada em Singapura e oito vezes em Pequim, portanto o áudio domina uma fatura do Flash em qualquer clipe de duração realista, e o número de tokens de saída depende de por quanto tempo o modelo decide falar. O Plus não tem nenhuma cobrança de saída: a fatura é função do roteiro que você enviou, e nada mais. Para roteiros fixos de duração conhecida, modele ambos e meça — a cota gratuita cobre isso. Para qualquer caso em que o ritmo seja escolha do modelo, o preço fixo por caractere do Plus vale a pena só pela previsibilidade, e esse argumento independe da qualidade.

Um alerta estrutural sobre os números públicos. A arena Controlled Voice lista o nível Plus a $19.31 por milhão de caracteres. A página de cobrança da Alibaba lista $30.00 por milhão em Singapura e $20.00 em Pequim. O valor da arena é inferior a ambos e corresponde de perto à tarifa de Pequim da geração anterior, qwen-audio-3.0-tts-plus, a $0.19253 por 10.000 caracteres. Não é possível saber, de fora, se isso é um mapeamento desatualizado ou uma tarifa não publicada. Faça o orçamento com base na região que você realmente chama.

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.

Como a escolha é resolvida em um pipeline

Na prática, a maioria das equipas precisa dos dois níveis e a decisão torna-se operacional em vez de comercial. Um exemplo concreto: o pedido de voz transporta um locale e um ID de voz; o ID de voz determina o nível, porque é o catálogo que o faz; o nível determina o endpoint; e uma política de failover decide o que acontece quando o endpoint escolhido se degrada a meio de um lote de quarenta mil clipes.

Esse é um problema de roteamento, e é exatamente a camada para a qual o OrcaRouter foi criado — uma DSL de roteamento que expressa o mapeamento de voz para camada como configuração em vez de código com ramificações, failover automático para que um upstream com falha entregue a solicitação a um segundo mecanismo em vez de perder o clipe, e uma única chave de API para mais de 200 modelos para que a etapa de fala do Q​wen e tudo o que você combinar com ela fiquem atrás de uma única credencial e de uma única base de preços, com o preço de tabela do provedor repassado com 0% de margem. Vale declarar o limite com clareza: o OrcaRouter não hospeda os modelos de fala da A​libaba. As etapas do Q​wen dessa regra são a API do próprio fornecedor. O que fornecemos é a chave, a regra e o failover.

A lista de verificação antes de gastar qualquer coisa

Confirme o ID, não a palavra do plano. Plus significa menos vozes e cobrança por personagem. Flash significa o catálogo e cobrança por token. Next significa cenas sonoras. Nenhuma dessas palavras descreve o que o modelo faz.

• Consulte a lista de vozes antes da tabela de preços. Uma voz que não tem não é um preço, e o sotaque de que precisa pode só existir no nível que estava prestes a saltar.

• Verifique a região. Singapura e Pequim diferem em todos os preços desta família, e as vozes premium em inglês são a única categoria que a A​libaba documenta como disponível em ambas.

• Trate uma posição no leaderboard como uma posição para um único membro. Q​wen-Audio-3.1-TTS-Plus em 1.179,08 não diz nada sobre q​wen-audio-3.1-tts-flash, que não está em nenhuma arena, e nada sobre q​wen-audio-3.1-tts-next, que é uma categoria de produto diferente com o mesmo prefixo.

• Pergunte o que “anunciado em 23 de setembro” significava para você. Para os níveis de TTS, não significava nada: eles foram listados em outubro.

Fontes, separadas por quem as forneceu

• Artificial Analysis, leitura de 9 de novembro de 2026 — Voz Controlada: Q​wen-Audio-3.1-TTS-Plus 1.179,08 Elo, #2 de 49, intervalo 1.166,08–1.192,08; inglês americano 1.207,07, #1 de 49, 1.190,07–1.224,07; inglês britânico 1.136,72, #5 de 49, 1.118,72–1.154,72; HeyGen Voice 1.188,52 agrupado, 1.187,28 EUA, 1.181,55 Reino Unido. Voz do Provedor: Q​wen-Audio-3.1-TTS-Plus 1.303, #3 de 104. A data de publicação da divisão por sotaque, 7 de novembro, é da Artificial Analysis.

• A​libaba Cloud Model Studio, consultado em 9 de novembro de 2026 — datas de lançamento por modelo da página de ciclo de vida e atualizações do modelo; preços, unidades de cobrança, regras de contagem de caracteres e cotas gratuitas da página de cobrança; 180 RPM da página de limites de taxa; as quatro vozes principais Plus e o catálogo de vozes Flash, incluindo as quinze vozes de inglês com sotaque e 51 vozes de idiomas adicionais, da página da lista de vozes do Q​wen-Audio-TTS.

• Ausente de todas as fontes acima — qualquer lançamento de pesos abertos para a família de fala 3.1. Os repositórios públicos de áudio da Q​wen param no Q​wen2-Audio, julho de 2024, e a arena registra o Q​wen-Audio-3.1-TTS-Plus como de pesos fechados. Não há checkpoint para baixar nem caminho de auto-hospedagem.

• A nossa — a observação de que a coluna de preços da arena fica abaixo de ambas as tarifas publicadas pelo fornecedor, o argumento de que não é possível fazer uma conversão de caracteres em tokens, e a afirmação de que o nível medido é aquele sem vozes em inglês britânico. O primeiro não está resolvido, o segundo baseia-se na ausência de uma proporção publicada, e o terceiro decorre das duas listas de vozes do próprio fornecedor.