Сгенерированная титульная карточка с текстом «К какому уровню вы на самом деле обращаетесь?» над строкой «Qwen-Audio-3.1 — это семейство из девяти идентификаторов моделей, а не один эндпоинт», с девятью чипами в трёх рядах по три с надписями tts-plus, tts-flash, tts-next, realtime-plus, realtime-flash, asr-flash, asr-flash-streaming, asr-flash-filetrans и asr-flash-message, подписью «Указаны поэтапно, с 20 сентября по 27 октября 2026 года» и нижним колонтитулом с указанием Alibaba Cloud Model Studio. Логотип OrcaRouter наложен в правом нижнем углу.
Guides & Insights

Qwen-Audio-3.1-TTS-Plus против Qwen-Audio-3.1: один — это модель, другой — бейдж

Автор

jinhao.song

Дата публикации

Новые модели · 20Все модели →
Бенчмарки: Artificial Analysis · обновляется ежедневно
Назад ко всем статьям

Короткий ответ: вы не можете вызвать Q​wen-Audio-3.1, потому что такой модели не существует. Есть семейство Q​wen-Audio-3.1 — девять идентификаторов моделей, которые A​libaba Cloud Model Studio документирует отдельно, с разными датами выпуска, разными ценами и разными списками голосов — и Q​wen-Audio-3.1-TTS-Plus является премиальным представителем этого семейства, указанным в примечаниях к выпуску A​libaba от 21 октября 2026 года, через пять недель после того, как первый идентификатор семейства появился 20 сентября. Собрат, которого большинство людей на самом деле имеет в виду, когда пишет «Q​wen-Audio-3.1» в заявке в поддержку, — это Q​wen-Audio-3.1-TTS-Flash, универсальный тариф синтеза речи. Эти две модели решают одну и ту же задачу по разным ценам. Всё ниже — о выборе между ними и о единственном месте, где дорогая модель не может сделать то, что может дешёвая.

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.

Сначала девять идентификаторов

Самый ясный источник — собственные примечания Alibaba к выпуску, и они противоречат впечатлению, которое складывается из новостной статьи. Не было единого дня запуска. Семейство появлялось по частям на протяжении пяти недель, и части продолжают прибывать.

• qwen-audio-3.1-realtime-plus — добавлен в каталог 20 сентября 2026 года как в Сингапуре, так и в Пекине. Двусторонний разговор «речь в речь» с клонированием голоса.

• q​wen-audio-3.1-asr-flash вместе с его вариантами -streaming, -filetrans и -message — перечислены 21 сентября 2026 г. Четыре эндпоинта распознавания, а не один: короткие формы, потоковое распознавание, офлайн-транскрипция файлов и оптимизированный вариант для голосовых сообщений.

• qwen-audio-3.1-tts-next — представлена 21 сентября 2026 года в Пекине, 22 октября 2026 года в Сингапуре. Alibaba описывает её как модель «AudioGen»: речь, звуковые эффекты и звуковая атмосфера генерируются за один проход на основе текста, временных меток и референсного аудио. Это не TTS-уровень в обычном понимании.

• q​wen-audio-3.1-tts-flash — указана дата 12 октября 2026 г. в обоих регионах. Потоковый синтез речи для ассистентов, общения в реальном времени и обслуживания клиентов.

• q​wen-audio-3.1-tts-plus — указан 21 октября 2026 года в обоих регионах. Высококачественный синтез для премиальных голосов и создания контента; клонирование голоса описывается как более устойчивое к шумной референсной аудиозаписи.

• q​wen-audio-3.1-realtime-flash — представлена 27 октября 2026 года. Более дешёвый дуплексный тариф с контекстным окном на 262 144 токена, вызовом функций и веб-поиском.

Сопоставьте эти даты, и проблема с подачей становится очевидной. «Запуск Qwen-Audio-3.1» в конце сентября охватывал уровни распознавания и работы в реальном времени; два тарифа синтеза речи, о которых на самом деле пишет большинство статей, появились только в октябре. Если вы интегрировались с этим семейством на неделе анонса, тарифа Plus в нём ещё не было.

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.

Сравнение, которое никто не проводит, и то, которое всё решает

Plus против Flash — единственная сопоставимая пара внутри семейства. Оба принимают текст, возвращают аудио, выставляют счёт через один и тот же аккаунт и находятся под одним и тем же опубликованным потолком. Различия не те, которые подразумевают обозначения уровней.

• Голоса — у q​wen-audio-3.1-tts-plus их четыре. A​libaba публикует для него ровно четыре флагманских системных голоса: {{1}}longanlingxin_v3.1, xunanchuan_v3.1, longanhuan_v3.1 и longanfengyue_v3.1{{/1}}, три женских и один мужской. У q​wen-audio-3.1-tts-flash есть каталог: многоязычные голоса, охватывающие восемь китайских диалектов, а также японский, корейский, французский, немецкий, португальский, итальянский, вьетнамский и индонезийский; длинный список премиальных голосов на путунхуа; голоса для дополнительных языков — исландского, мальтийского, суахили, казахского, украинского и других; и пятнадцать английских голосов с указанными акцентами — {{2}}Emily, Luna, Eric и Luca как британские, а Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian и David как американские{{/2}}.

• Единица тарификации — Plus тарифицируется за каждый входной символ, выход не тарифицируется. Flash тарифицируется за токен, вход и выход отдельно, по $0.23 и $1.87 за миллион токенов в Сингапуре и $0.212 и $1.696 в Пекине.

• Прайс-лист — Plus стоит $0.30 за 10 000 символов в Сингапуре и $0.20 в Пекине. У Flash нет показателя за символ, поскольку его единица измерения — токен.

• Подсчёт символов: если у вас тариф Plus, китайский, японский или корейский символ считается за два; латинская буква, цифра, знак пунктуации или пробел считается за один. Теги SSML не учитываются. 你好 — это четыре символа.

• Ограничение частоты запросов — 180 запросов в минуту для обоих, в обоих регионах. Этот потолок их не разделяет.

• Выход — PCM, WAV, MP3 или O​pus, частота дискретизации до 48 кГц, в обоих случаях. Нестриминговые запросы возвращают URL, действительный в течение 24 часов; стриминг возвращает чанки. Соединение закрывается, если новая задача не начинается в течение 60 секунд после завершения предыдущей.

• Бесплатная квота — Plus и Flash предоставляют по 1 000 000 бесплатных символов или токенов соответственно в Сингапуре; квота действительна в течение 90 дней с момента активации, выпуска модели или одобрения заявки.

Значение имеет первая строка, и она противоречит названию. В тарифе под названием Plus четыре голоса. В тарифе под названием Flash есть голоса, включая единственные английские голоса с британским акцентом, которые Alibaba публикует где-либо в этом семействе.

Измеренная модель — не та модель, которая может говорить на британском английском.

Q​wen-Audio-3.1-TTS-Plus — единственный представитель семейства с независимой оценкой, и таких оценок у него три. На арене Controlled Voice от Artificial Analysis, где каждый участник синтезирует одни и те же восемь клонированных эталонных голосов, он занимает 1 179,08 Elo — второе место из 49, уступая HeyGen Voice с 1 188,52 и опережая HeyGen Voice Turbo с 1 172,56; два верхних интервала перекрываются, поэтому второе и первое места на этой таблице статистически неразличимы. В разбивке по акценту на 7 ноября он первый из 49 в американском английском с 1 207,07 и пятый в британском английском с 1 136,72. На арене Provider Voice, где каждый поставщик предоставляет собственные оригинальные голоса, он третий из 104 с 1 303, уступая Eleven v4 с 1 339 и Eleven v4 Turbo с 1 335.

А теперь поставьте это рядом со списком голосов. Команда, которая видит «первое место в американском английском» и заказывает тариф Plus, покупает модель с четырьмя голосами. Если продукту нужен британский женский голос — самое распространённое требование в потребительской озвучке на английском языке, — в тарифе Plus его нет. У Flash он есть, и даже четыре. А у Flash нет оценки ни на одной из арен, так что не с чем сравнить 1,207.

Вот в чём ловушка в этом противостоянии, и она структурная, а не дефект. Alibaba заявилась в одной категории арены. Категория, в которую она заявилась, — премиальная, потому что именно её стоит оценивать. Последствия для покупателя несимметричны: модель с числом не справляется с акцентом, а модель, которая справляется с акцентом, не имеет числа. Выбор только по рангу переворачивает это с ног на голову.

Честно говоря, если посчитать затраты

Любое сравнение этих двух пытается вычесть одну цену из другой. Такое вычитание недоступно. Plus измеряется в символах; Flash — в токенах, причём аудио учитывается на стороне вывода. Для этой модели не опубликовано соотношение символов к токенам, поэтому любое утверждение вида «Flash дешевле на X%» — выдумка.

Что можно сказать точно — это где сосредоточен риск. Тариф Flash на выходные токены в восемь раз выше тарифа на входные — и в Сингапуре, и в Пекине, поэтому при клипе любой реалистичной длины аудио будет доминировать в счёте за Flash, а число выходных токенов зависит от того, сколько решит говорить модель. У Plus вообще нет платы за выход: счёт зависит только от отправленного сценария и ни от чего больше. Для фиксированных сценариев известной длины просчитайте оба варианта и измерьте — бесплатной квоты на это хватит. Во всех случаях, когда темп выбирает модель, фиксированная цена Plus за символ стоит того хотя бы ради предсказуемости, и этот аргумент не зависит от качества.

Одно структурное предупреждение о публичных цифрах. На арене Controlled Voice тариф Plus указан на уровне 19,31 доллара США за миллион символов. На странице тарификации Alibaba указано 30,00 доллара США за миллион в Сингапуре и 20,00 доллара США в Пекине. Показатель арены ниже обоих и близко соответствует пекинскому тарифу предыдущего поколения, qwen-audio-3.0-tts-plus — 0,19253 доллара США за 10 000 символов. Мы не можем определить извне, является ли это устаревшим сопоставлением или неопубликованным тарифом. Планируйте бюджет исходя из региона, в который вы фактически обращаетесь.

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.

Как выбор разрешается в конвейере

На практике большинству команд нужны оба уровня, и решение становится скорее операционным, чем коммерческим. Рабочий пример: голосовой запрос содержит локаль и идентификатор голоса; идентификатор голоса определяет уровень, поскольку это определяется каталогом; уровень определяет конечную точку; а политика отказоустойчивости решает, что произойдёт, если выбранная конечная точка деградирует на середине обработки пакета из сорока тысяч клипов.

Это проблема маршрутизации, и это тот слой, для которого создан OrcaRouter — DSL маршрутизации, который выражает сопоставление голоса с уровнем в виде конфигурации, а не ветвящегося кода, автоматическое переключение при сбое, чтобы отказавший вышестоящий сервис передавал запрос второму движку вместо потери клипа, и один API-ключ для более чем 200 моделей, чтобы речевой этап Q​wen и все, что вы с ним объединяете, работали через единые учетные данные и единую ценовую основу, а цена по прайс-листу провайдера передавалась без наценки (0%). Границу стоит обозначить прямо: OrcaRouter не размещает речевые модели A​libaba. Речевые этапы Q​wen в этом правиле — это собственный API поставщика. Мы предоставляем ключ, правило и переключение при сбое.

Чек-лист перед тем, как что-либо потратить

• Проверяйте ID, а не слово уровня. Plus означает меньше голосов и оплату по символам. Flash означает каталог и оплату по токенам. Next означает звуковые сцены. Ни одно из этих слов не описывает, что делает модель.

• Сверяйтесь со списком голосов раньше, чем с прайс-листом. Голос, которого у вас нет, — это не цена, а нужный вам акцент может быть только на том тарифе, который вы собирались пропустить.

• Проверьте регион. Сингапур и Пекин различаются по каждой цене в этом семействе, и англоязычные премиальные голоса — единственная категория, которую A​libaba указывает как доступную в обоих.

Считайте место в таблице лидеров местом одного участника. Q​wen-Audio-3.1-TTS-Plus с результатом 1,179.08 ничего не говорит о q​wen-audio-3.1-tts-flash, которого нет ни на одной арене, и ничего не говорит о q​wen-audio-3.1-tts-next, который относится к другой категории продуктов с тем же префиксом.

• Спросите, что означало для вас «объявлено 23 сентября». Для тарифов TTS это не означало ничего: их перечислили в октябре.

Источники, разделённые по тому, кто их предоставил

• Artificial Analysis, данные на 9 ноября 2026 г. — Controlled Voice: Q​wen-Audio-3.1-TTS-Plus — 1,179.08 Elo, №2 из 49, интервал 1,166.08–1,192.08; американский английский — 1,207.07, №1 из 49, 1,190.07–1,224.07; британский английский — 1,136.72, №5 из 49, 1,118.72–1,154.72; HeyGen Voice — 1,188.52 в сводном зачёте, 1,187.28 для США, 1,181.55 для Великобритании. Provider Voice: Q​wen-Audio-3.1-TTS-Plus — 1,303, №3 из 104. Дата публикации разбивки по акцентам — 7 ноября — принадлежит Artificial Analysis.

• Alibaba Cloud Model Studio, по состоянию на 9 ноября 2026 г. — даты выпуска каждой модели взяты со страницы жизненного цикла и обновлений моделей; цены, единицы тарификации, правила подсчёта символов и бесплатные квоты — со страницы тарификации; 180 RPM — со страницы ограничений частоты запросов; четыре флагманских голоса Plus и каталог голосов Flash, включая пятнадцать голосов английского языка с акцентом и 51 голос для дополнительных языков, — со страницы списка голосов Qwen-Audio-TTS.

• Отсутствует во всех перечисленных выше источниках — какой-либо релиз с открытыми весами для речевого семейства 3.1. Публичные аудиорепозитории Q​wen заканчиваются на Qwen2-Audio (июль 2024), а на арене Q​wen-Audio-3.1-TTS-Plus значится как модель с закрытыми весами. Нет ни чекпоинта для скачивания, ни способа развернуть её самостоятельно.

• Наши — наблюдение о том, что колонка цен арены ниже обоих опубликованных тарифов поставщиков, аргумент о том, что конвертацию символов в токены выполнить нельзя, и утверждение о том, что измеренный уровень — это тот, в котором нет голосов с британским английским. Первый пункт остаётся нерешённым, второй опирается на отсутствие опубликованного соотношения, а третий следует из собственных двух списков голосов поставщика.