Ett genererat titelkort med texten "Vilken nivå anropar du egentligen?" ovanför raden "Qwen-Audio-3.1 är en familj av nio modell-id:n, inte en enda endpoint", med nio chips i tre rader om tre med texten tts-plus, tts-flash, tts-next, realtime-plus, realtime-flash, asr-flash, asr-flash-streaming, asr-flash-filetrans och asr-flash-message, en bildtext "Listade i etapper, 20 september till 27 oktober 2026" och en sidfot som hänvisar till Alibaba Cloud Model Studio. OrcaRouter-logotypen är komponerad längst ner till höger.
Guides & Insights

Qwen-Audio-3.1-TTS-Plus vs Qwen-Audio-3.1: Den ena är en modell, den andra är ett märke

Författare

jinhao.song

Publiceringsdatum

Senaste modellerna · 20Visa alla modeller →
Benchmarks: Artificial Analysis · uppdateras dagligen
Tillbaka till alla inlägg

Det korta svaret: du kan inte anropa Q​wen-Audio-3.1, eftersom det inte finns någon sådan modell. Det finns en familj Q​wen-Audio-3.1 – nio modell-ID:n som A​libaba Cloud Model Studio dokumenterar separat, på olika releasedatum, med olika priser och olika röstlistor – och Q​wen-Audio-3.1-TTS-Plus är premiummedlemmen i den, listad i A​libabas release notes den 21 oktober 2026, fem veckor efter att familjens första ID dök upp den 20 september. Den systermodell som de flesta faktiskt menar när de skriver "Q​wen-Audio-3.1" i ett supportärende är Q​wen-Audio-3.1-TTS-Flash, den allmänna text-till-tal-nivån. De två är samma jobb till olika priser. Allt nedan handlar om att välja mellan dem, och om det enda stället där den dyra inte kan göra det som den billiga kan.

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.

Först, de nio ID:na

Alibabas egna versionsanteckningar är den tydligaste källan, och de motsäger intrycket man får av en nyhetsartikel. Det fanns ingen enskild lanseringsdag. Familjen kom i delar under fem veckor, och delarna kommer fortfarande.

• q​wen-audio-3.1-realtime-plus — listad 20 september 2026 i både Singapore och Peking. Dubbelriktad tal-till-tal-konversation, med röstkloning.

• qwen-audio-3.1-asr-flash, tillsammans med varianterna -streaming, -filetrans och -message — listade 21 september 2026. Fyra igenkänningsändpunkter, inte en: kortformat, streaming, offline filtranskribering och en optimerad variant för röstmeddelanden.

• q​wen-audio-3.1-tts-next — listades 21 september 2026 i Peking, 22 oktober 2026 i Singapore. A​libaba beskriver den som en "AudioGen"-modell: tal, ljudeffekter och ambiens genererade i ett enda pass från text, tidsstämplar och referensljud. Det är inte en TTS-nivå i vanlig mening.

• q​wen-audio-3.1-tts-flash — listad 12 oktober 2026 i båda regionerna. Strömmande talsyntes för assistenter, realtidssamtal och kundtjänst.

• q​wen-audio-3.1-tts-plus — listad den 21 oktober 2026 i båda regionerna. Högkvalitativ syntes för premiumröster och innehållsskapande, med röstkloning som beskrivs som mer robust mot brusiga referensljud.

• q​wen-audio-3.1-realtime-flash — listad 27 oktober 2026. Den billigare duplexnivån, med ett kontextfönster på 262,144 token, funktionsanrop och webbsökning.

Jämför dessa datum med varandra, så blir inramningsproblemet uppenbart. En ”Q​wen-Audio-3.1-lansering” i slutet av september omfattade igenkännings- och realtidsnivåerna; de två text-till-tal-nivåer som de flesta artiklar faktiskt handlar om dök inte upp förrän i oktober. Om du byggde mot familjen under veckan för tillkännagivandet fanns Plus-nivån inte med ännu.

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.

Jämförelsen som ingen gör, och den som avgör saken

Plus mot Flash är det enda direkt jämförbara paret inom familjen. Båda tar emot text, returnerar ljud, faktureras via samma konto och ligger under samma publicerade tak. Skillnaderna är inte de som nivåorden antyder.

• Röster – q​wen-audio-3.1-tts-plus har fyra. A​libaba publicerar exakt fyra flaggskeppssystemröster för den: longanlingxin_v3.1, xunanchuan_v3.1, longanhuan_v3.1 och longanfengyue_v3.1, tre kvinnliga och en manlig. q​wen-audio-3.1-tts-flash har katalogen: flerspråkiga röster som täcker åtta kinesiska dialekter plus japanska, koreanska, franska, tyska, portugisiska, italienska, vietnamesiska och indonesiska; en lång lista med premiumröster på mandarin; röster för ytterligare språk som isländska, maltesiska, swahili, kazakiska, ukrainska och fler; och femton engelska röster med namngivna accenter – Emily, Luna, Eric och Luca som brittiska, och Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian och David som amerikanska.

• Faktureringsenhet — Plus faktureras per indatatecken utan kostnad för utdata. Flash faktureras per token, indata och utdata separat, till $0,23 och $1,87 per miljon token i Singapore och $0,212 och $1,696 i Beijing.

• Prislista – Plus kostar $0,30 per 10 000 tecken i Singapore och $0,20 i Peking. Flash har inget pris per tecken, eftersom dess enhet är token.

• Teckenräkning, om du har Plus – ett kinesiskt, japanskt eller koreanskt tecken räknas som två; en latinsk bokstav, siffra, skiljetecken eller mellanslag räknas som ett. SSML-taggar räknas inte. 你好 är fyra tecken.

• Hastighetsgräns – 180 förfrågningar per minut för båda, i båda regionerna. Taket skiljer dem inte åt.

• Utdata – PCM, WAV, MP3 eller Opus, samplingsfrekvenser upp till 48 kHz, på båda. Förfrågningar som inte streamas returnerar en URL som är giltig i 24 timmar; strömning returnerar delar. En anslutning stängs om ingen ny uppgift startar inom 60 sekunder efter att den föregående har avslutats.

• Gratis kvot – Plus och Flash har vardera 1 000 000 gratistecken respektive gratistokens i Singapore, giltiga i 90 dagar från aktivering, modellsläpp eller godkännande av ansökan.

Den rad som spelar roll är den första, och den går emot namngivningen. Nivån som kallas Plus har fyra röster. Nivån som kallas Flash har rösterna, inklusive de enda engelska rösterna med brittisk accent som A​libaba publicerar någonstans i den här familjen.

Den uppmätta modellen är inte den modell som kan tala brittisk engelska.

Qwen-Audio-3.1-TTS-Plus är den enda medlemmen i familjen med ett fristående poängresultat, och den har tre. På Controlled Voice-arenan från Artificial Analysis, där varje deltagare syntetiserar samma åtta klonade referensröster, får den 1 179,08 Elo, tvåa av 49, efter HeyGen Voice på 1 188,52 och före HeyGen Voice Turbo på 1 172,56 – de två översta intervallen överlappar, så andra- och förstaplatsen är inte statistiskt åtskilda på den listan. Vid uppdelning efter accent den 7 november är den etta av 49 i amerikansk engelska på 1 207,07 och femma i brittisk engelska på 1 136,72. På Provider Voice-arenan, där varje leverantör tillhandahåller sina egna inhemska röster, är den trea av 104 på 1 303, efter Eleven v4 på 1 339 och Eleven v4 Turbo på 1 335.

Ställ nu det bredvid röstlistan. Ett team som läser "etta i amerikansk engelska" och beställer Plus-nivån köper en modell med fyra röster. Om produkten behöver en brittisk kvinnlig röst – det enskilt vanligaste kravet i engelskspråkigt konsumentröstarbete – har Plus-nivån ingen sådan. Flash har det, fyra stycken. Och Flash har ingen poäng på någon av arenorna, så det finns inget att jämföra med 1 207.

Det är fällan i den här matchningen, och den är strukturell snarare än en defekt. Alibaba gick in i en nivå i arenan. Den nivå som det gick in i är premiumnivån, eftersom det är den som är värd att benchmarka. Konsekvenserna för en köpare är inte symmetriska: modellen med siffran kan inte göra accenten, och modellen som kan göra accenten har ingen siffra. Att välja enbart efter rangordning får detta bakvänt.

Att beräkna kostnaden, ärligt talat

Varje jämförelse av dessa två försöker subtrahera det ena priset från det andra. Den subtraktionen är inte möjlig. Plus anges i tecken; Flash i tokens, där ljudet räknas på utdatasidan. Det finns inget publicerat förhållande mellan tecken och tokens för den här modellen, så varje enskilt påstående om att "Flash är X % billigare" är påhittat.

Det man kan säga är var risken ligger. Flash:s utdatatakt är åtta gånger dess indatatakt i Singapore och åtta gånger i Peking, så ljudet dominerar en Flash-faktura för varje klipp av realistisk längd, och antalet utdatatoken beror på hur länge modellen väljer att tala. Plus har ingen utdataavgift alls: fakturan är en funktion av det manus du skickade, och inget annat. För fasta manus med känd längd, modellera båda och mät — den kostnadsfria kvoten täcker det. För allt där tempot är modellens val är Plus fasta pris per tecken värt att betala enbart för förutsägbarheten, och det argumentet är oberoende av kvalitet.

En strukturell varning om de offentliga siffrorna. Controlled Voice-arenan listar Plus-nivån till $19,31 per miljon tecken. Alibabas faktureringssida listar $30,00 per miljon i Singapore och $20,00 i Beijing. Siffran i arenan är lägre än båda och matchar nära föregående generations Beijing-pris, qwen-audio-3.0-tts-plus till $0,19253 per 10 000 tecken. Vi kan inte utifrån avgöra om det är en inaktuell mappning eller ett opublicerat pris. Budgetera utifrån den region du faktiskt anropar.

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.

Hur valet avgörs i en pipeline

I praktiken behöver de flesta team båda nivåerna, och beslutet blir operativt snarare än kommersiellt. En praktisk struktur: röstförfrågan innehåller en locale och ett röst-ID; röst-ID:t avgör nivån, eftersom katalogen gör det; nivån avgör slutpunkten; och en failover-policy avgör vad som händer när den valda slutpunkten försämras halvvägs genom en batch på fyrtiotusen klipp.

Det är ett routingproblem, och det är det lager som OrcaRouter är byggt för — ett routing-DSL som uttrycker röst-till-nivå-mappningen som konfiguration i stället för som förgrenad kod, automatisk failover så att en felande uppströmsleverantör skickar vidare begäran till en andra motor i stället för att tappa ljudklippet, och en API-nyckel för över 200 modeller så att Qwen-röstbenet och det du fusionerar med det ligger bakom en enda autentiseringsuppgift och en enda prisbas, med leverantörens listpris vidarebefordrat med 0 % påslag. Gränsen är värd att säga rakt ut: OrcaRouter är inte värd för Alibabas röstmodeller. Qwen-delen i den regeln är leverantörens eget API. Det vi tillhandahåller är nyckeln, regeln och failovern.

Checklistan innan du spenderar något

• Bekräfta ID:t, inte nivåordet. Plus innebär färre röster och teckenbaserad fakturering. Flash innebär katalogen och tokenbaserad fakturering. Next innebär ljudscener. Inget av dessa ord beskriver vad modellen gör.

• Kontrollera röstlistan före prislistan. En röst du inte har är inte ett pris, och den accent du behöver kan bara finnas på den nivå du var på väg att hoppa över.

• Kontrollera regionen. Singapore och Peking skiljer sig åt på varje pris i den här familjen, och de engelska premiumrösterna är den enda kategorin som A​libaba dokumenterar som tillgänglig i båda.

• Betrakta en placering på en leaderboard som en placering för en medlem. Q​wen-Audio-3.1-TTS-Plus på 1 179,08 säger ingenting om q​wen-audio-3.1-tts-flash, som inte finns på någon av arenorna, och ingenting om q​wen-audio-3.1-tts-next, som är en annan produktkategori med samma prefix.

• Fråga vad "tillkännagavs 23 september" innebar för dig. För TTS-nivåerna innebar det ingenting: de listades i oktober.

Källor, uppdelade efter vem som angav dem

• Artificial Analysis, avläst 9 november 2026 — Kontrollerad röst: Q​wen-Audio-3.1-TTS-Plus 1,179.08 Elo, #2 av 49, intervall 1,166.08–1,192.08; amerikansk engelska 1,207.07, #1 av 49, 1,190.07–1,224.07; brittisk engelska 1,136.72, #5 av 49, 1,118.72–1,154.72; HeyGen Voice 1,188.52 sammanvägt, 1,187.28 för amerikansk engelska, 1,181.55 för brittisk engelska. Leverantörsröst: Q​wen-Audio-3.1-TTS-Plus 1,303, #3 av 104. Det är Artificial Analysis som står för publiceringsdatumet den 7 november för accentuppdelningen.

• Alibaba Cloud Model Studio, läst 9 november 2026 – utgivningsdatum per modell från sidan för modelllivscykel och uppdateringar; priser, faktureringsenheter, regler för teckenräkning och kostnadsfria kvoter från faktureringssidan; 180 RPM från sidan om hastighetsbegränsningar; de fyra Plus-flaggskeppsrösterna och Flash-röstkatalogen, inklusive de femton engelska rösterna med accent och 51 röster på ytterligare språk, från röstlistsidan för Qwen-Audio-TTS.

• Saknas i alla källor ovan — inget släpp med öppna vikter för 3.1-talfamiljen. Qwens offentliga ljudarkiv slutar vid Qwen2-Audio, juli 2024, och arenan registrerar Qwen-Audio-3.1-TTS-Plus som stängd vikt. Det finns ingen checkpoint att ladda ner och ingen väg för självhosting.

• Vårt — observationen att arenans priskolumn ligger under båda de publicerade leverantörspriserna, argumentet att en konvertering från tecken till token inte kan göras, och påståendet att den uppmätta nivån är den utan röster på brittisk engelska. Den första är olöst, den andra vilar på avsaknaden av en publicerad kvot, och den tredje följer av leverantörens två egna röstlistor.