
Qwen-Audio-3.1-TTS-Plus против Qwen-Audio-3.1: один — это модель, другой — бейдж
- OrcaНОВИНКАOrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 за 1 млн токенов · 187 tok/s
- openaiНОВИНКАOpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 за 1 млн токенов · 78 tok/s
- openaiНОВИНКАOpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 за 1 млн токенов · 154 tok/s
- tencentНОВИНКАTencent: Hy4 Flash2026-11-16$0.02 / $0.07 за 1 млн токенов · 204 tok/s
- AlibabaНОВИНКАQwen: Qwen4 Max2026-11-16$1.50 / $4.50 за 1 млн токенов · 88 tok/s
- GoogleНОВИНКАGoogle: Gemini 4 Carbon2026-11-10$2.00 / $10.00 за 1 млн токенов · 705 tok/s
- AnthropicНОВИНКАAnthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 за 1 млн токенов · 248 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 за 1 млн токенов · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 за 1 млн токенов · 139 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 за 1 млн токенов · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 за 1 млн токенов · 123 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 за 1 млн токенов · 101 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 за 1 млн токенов · 69 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 за 1 млн токенов · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 за 1 млн токенов · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447Интеллект
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 за 1 млн токенов · 230 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929Интеллект
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 за 1 млн токенов · 101 tok/s
Короткий ответ: вы не можете вызвать Qwen-Audio-3.1, потому что такой модели не существует. Есть семейство Qwen-Audio-3.1 — девять идентификаторов моделей, которые Alibaba Cloud Model Studio документирует отдельно, с разными датами выпуска, разными ценами и разными списками голосов — и Qwen-Audio-3.1-TTS-Plus является премиальным представителем этого семейства, указанным в примечаниях к выпуску Alibaba 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 «Qwen-Audio-3.1» в заявке в поддержку, — это Qwen-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.

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.
• qwen-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.
• qwen-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.
• qwen-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.
• qwen-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.

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 qwen-audio-3.1-tts-plus их четыре. Alibaba 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 qwen-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 Opus, 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.
Qwen-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.

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 Qwen 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 Alibaba. Речевые этапы Qwen 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 Alibaba указывает как доступную в обоих.
Считайте место в таблице лидеров местом одного участника. Qwen-Audio-3.1-TTS-Plus с результатом 1,179.08 ничего не говорит о qwen-audio-3.1-tts-flash, которого нет ни на одной арене, и ничего не говорит о qwen-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: Qwen-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: Qwen-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 Qwen заканчиваются на Qwen2-Audio (июль 2024), а на арене Qwen-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.
