
Qwen-Audio-3.1-TTS-Plus กับ Qwen-Audio-3.1: ตัวหนึ่งคือโมเดล อีกตัวเป็นเพียงป้ายกำกับ
- Orcaใหม่OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 ต่อ 1 ล้านโทเค็น · 187 tok/s
- openaiใหม่OpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 78 tok/s
- openaiใหม่OpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 154 tok/s
- tencentใหม่Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 ต่อ 1 ล้านโทเค็น · 204 tok/s
- Alibabaใหม่Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 ต่อ 1 ล้านโทเค็น · 88 tok/s
- Googleใหม่Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 ต่อ 1 ล้านโทเค็น · 705 tok/s
- Anthropicใหม่Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 ต่อ 1 ล้านโทเค็น · 248 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 ต่อ 1 ล้านโทเค็น · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 139 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 ต่อ 1 ล้านโทเค็น · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 ต่อ 1 ล้านโทเค็น · 123 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 101 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 69 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 ต่อ 1 ล้านโทเค็น · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447ความฉลาด
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 230 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929ความฉลาด
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 101 tok/s
คำตอบสั้น ๆ คือ คุณไม่สามารถเรียก Qwen-Audio-3.1 ได้ เพราะไม่มีโมเดลนี้อยู่จริง มีตระกูล Qwen-Audio-3.1 อยู่ — เป็นรหัสโมเดลเก้ารหัสที่ Alibaba Cloud Model Studio จัดทำเอกสารแยกกัน ในวันเปิดตัวที่ต่างกัน ด้วยราคาที่ต่างกันและรายการเสียงที่ต่างกัน — และ Qwen-Audio-3.1-TTS-Plus คือสมาชิกระดับพรีเมียมของตระกูลนี้ ซึ่งระบุไว้ในบันทึกประจำรุ่นของ Alibaba เมื่อวันที่ 21 ตุลาคม 2026 ห้าสัปดาห์หลังจากรหัสแรกของตระกูลปรากฏเมื่อวันที่ 20 กันยายน โมเดลร่วมตระกูลที่คนส่วนใหญ่หมายถึงจริง ๆ เมื่อเขียน "Qwen-Audio-3.1" ในตั๋วแจ้งปัญหากับฝ่ายสนับสนุนคือ Qwen-Audio-3.1-TTS-Flash ซึ่งเป็นระดับ Text-to-Speech สำหรับงานทั่วไป ทั้งสองรุ่นทำงานเดียวกันในราคาที่ต่างกัน ทุกสิ่งด้านล่างนี้ว่าด้วยการเลือกระหว่างสองรุ่นนี้ และว่าด้วยจุดเดียวที่รุ่นแพงไม่สามารถทำในสิ่งที่รุ่นถูกทำได้

ก่อนอื่น ไอดีทั้งเก้าตัว
บันทึกการเผยแพร่ของ Alibaba เองเป็นแหล่งข้อมูลที่ชัดเจนที่สุด และขัดกับภาพที่คุณได้รับจากเรื่องข่าว ไม่มีวันเปิดตัวเพียงวันเดียว ตระกูลผลิตภัณฑ์นี้ทยอยออกมาเป็นส่วนๆ ตลอดห้าสัปดาห์ และแต่ละส่วนยังคงทยอยออกมาอยู่
• qwen-audio-3.1-realtime-plus — เปิดตัวเมื่อวันที่ 20 กันยายน 2026 ทั้งในสิงคโปร์และปักกิ่ง เป็นการสนทนาแบบเสียงสู่เสียงสองทาง พร้อมความสามารถในการโคลนเสียง
• qwen-audio-3.1-asr-flash พร้อมรูปแบบย่อย -streaming, -filetrans และ -message — ระบุไว้เมื่อวันที่ 21 กันยายน 2026 จุดเชื่อมต่อการรู้จำเสียงสี่แบบ ไม่ใช่เพียงแบบเดียว: แบบข้อความสั้น แบบสตรีมมิ่ง การถอดเสียงจากไฟล์แบบออฟไลน์ และรูปแบบข้อความเสียงที่ปรับให้เหมาะสม
• qwen-audio-3.1-tts-next — เปิดตัวเมื่อวันที่ 21 กันยายน 2026 ในปักกิ่ง และวันที่ 22 ตุลาคม 2026 ในสิงคโปร์ Alibaba อธิบายว่าเป็นโมเดล "AudioGen": คำพูด เอฟเฟกต์เสียง และเสียงบรรยากาศที่สร้างขึ้นในครั้งเดียวจากข้อความ การประทับเวลา และเสียงอ้างอิง ไม่ใช่ระดับ TTS ในความหมายทั่วไป
• qwen-audio-3.1-tts-flash — ระบุเมื่อ 12 ตุลาคม 2026 ในทั้งสองภูมิภาค การสังเคราะห์เสียงพูดแบบสตรีมมิ่งสำหรับผู้ช่วย การสนทนาแบบเรียลไทม์ และบริการลูกค้า
• qwen-audio-3.1-tts-plus — อยู่ในรายการเมื่อวันที่ 21 ตุลาคม 2026 ในทั้งสองภูมิภาค การสังเคราะห์คุณภาพสูงสำหรับเสียงระดับพรีเมียมและการสร้างคอนเทนต์ โดยการโคลนเสียงได้รับการอธิบายว่ามีความทนทานต่อเสียงอ้างอิงที่มีเสียงรบกวนได้ดีกว่า
• qwen-audio-3.1-realtime-flash — เปิดตัวเมื่อวันที่ 27 ตุลาคม 2026 เป็นระดับ duplex ที่ราคาถูกกว่า พร้อมหน้าต่างบริบท 262,144 โทเค็น รองรับ function calling และการค้นหาเว็บ
เมื่อนำวันที่เหล่านั้นมาเทียบกัน ปัญหาเรื่องการวางกรอบก็ชัดเจนขึ้นทันที การเปิดตัว “Qwen-Audio-3.1” ในช่วงปลายเดือนกันยายนครอบคลุมระดับ recognition และ realtime ส่วนระดับ text-to-speech สองระดับที่บทความส่วนใหญ่พูดถึงจริง ๆ นั้นเพิ่งปรากฏในเดือนตุลาคม หากคุณสร้างระบบโดยอิงกับตระกูลนี้ในสัปดาห์ที่มีการประกาศ ระดับ Plus ยังไม่มีอยู่ในตอนนั้น

การเปรียบเทียบที่ไม่มีใครทำ และการเปรียบเทียบที่ตัดสินผล
Plus เมื่อเทียบกับ Flash เป็นคู่เดียวที่เทียบกันได้แบบตรงประเภทภายในตระกูลเดียวกัน ทั้งคู่รับข้อความและส่งคืนเสียง คิดค่าบริการผ่านบัญชีเดียวกัน และอยู่ภายใต้เพดานที่ประกาศไว้เดียวกัน ความแตกต่างไม่ใช่สิ่งที่คำบอกระดับสื่อเป็นนัย
• เสียง — qwen-audio-3.1-tts-plus มีสี่เสียง Alibaba เปิดตัวเสียงระบบระดับเรือธงสำหรับรุ่นนี้พอดีสี่เสียง ได้แก่ longanlingxin_v3.1, xunanchuan_v3.1, longanhuan_v3.1 และ longanfengyue_v3.1 โดยเป็นเสียงผู้หญิงสามเสียงและผู้ชายหนึ่งเสียง qwen-audio-3.1-tts-flash มีแคตตาล็อก: เสียงหลายภาษาที่ครอบคลุมภาษาจีนถิ่นแปดภาษา บวกภาษาญี่ปุ่น เกาหลี ฝรั่งเศส เยอรมัน โปรตุเกส อิตาลี เวียดนาม และอินโดนีเซีย; รายการยาวของเสียง Mandarin ระดับพรีเมียม; เสียงสำหรับภาษาเพิ่มเติมอย่างไอซ์แลนด์ มอลตา สวาฮิลี คาซัค ยูเครน และอื่นๆ; และเสียงภาษาอังกฤษสิบห้าเสียงพร้อมสำเนียงที่ระบุชื่อ — Emily, Luna, Eric และ Luca เป็นสำเนียงบริติช และ Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian และ David เป็นสำเนียงอเมริกัน
• หน่วยการเรียกเก็บเงิน — Plus คิดค่าบริการตามจำนวนอักขระอินพุต โดยไม่คิดค่าบริการสำหรับเอาต์พุต ส่วน Flash คิดค่าบริการตามโทเคน โดยแยกอินพุตและเอาต์พุต ที่ $0.23 และ $1.87 ต่อล้านโทเคนในสิงคโปร์ และ $0.212 และ $1.696 ในปักกิ่ง
• อัตราค่าบริการ — Plus อยู่ที่ 0.30 ดอลลาร์สหรัฐต่อ 10,000 ตัวอักษรในสิงคโปร์ และ 0.20 ดอลลาร์สหรัฐในปักกิ่ง ส่วน Flash ไม่มีตัวเลขต่อจำนวนตัวอักษร เนื่องจากหน่วยนับของ Flash คือโทเคน
• การนับอักขระ หากคุณใช้ Plus — อักขระภาษาจีน ญี่ปุ่น หรือเกาหลีหนึ่งตัวนับเป็นสอง; ตัวอักษรละติน ตัวเลข เครื่องหมายวรรคตอน หรือช่องว่างนับเป็นหนึ่ง แท็ก SSML จะไม่ถูกนับ 你好 คือสี่อักขระ
• ขีดจำกัดอัตรา — 180 คำขอต่อนาทีสำหรับทั้งคู่ ในทั้งสองภูมิภาค เพดานนี้ไม่ได้แยกทั้งสองออกจากกัน
• เอาต์พุต — PCM, WAV, MP3 หรือ Opus อัตราสุ่มตัวอย่างสูงสุด 48 kHz ทั้งสองแบบ คำขอแบบไม่สตรีมมิงจะคืน URL ที่ใช้ได้ 24 ชั่วโมง ส่วนแบบสตรีมมิงจะคืนข้อมูลเป็นชังก์ การเชื่อมต่อจะปิดลงหากไม่มีงานใหม่เริ่มภายใน 60 วินาทีหลังจากงานก่อนหน้าสิ้นสุด
• โควตาฟรี — Plus และ Flash มีสิทธิ์ใช้ฟรี 1,000,000 ตัวอักษรและ 1,000,000 โทเค็นตามลำดับในสิงคโปร์ ใช้ได้ 90 วันนับจากวันเปิดใช้งาน วันเปิดตัวโมเดล หรือวันอนุมัติแอปพลิเคชัน
บรรทัดที่สำคัญคือบรรทัดแรก และมันสวนทางกับการตั้งชื่อ ระดับที่เรียกว่า Plus มีสี่เสียง ระดับที่เรียกว่า Flash มีเสียงเหล่านี้ รวมถึงเสียงภาษาอังกฤษสำเนียงบริติชเพียงเสียงเดียวที่ Alibaba เผยแพร่ในตระกูลนี้ไม่ว่าที่ใด
โมเดลที่ถูกวัดไม่ใช่โมเดลที่สามารถพูดภาษาอังกฤษแบบบริติชได้
Qwen-Audio-3.1-TTS-Plus เป็นสมาชิกเพียงตัวเดียวในตระกูลที่มีคะแนนแยกอิสระ และมีถึงสามคะแนน บน Controlled Voice arena ของ Artificial Analysis ซึ่งผู้เข้าทดสอบทุกรายสังเคราะห์เสียงอ้างอิงที่โคลนมาเดียวกันแปดเสียง ได้คะแนน 1,179.08 Elo เป็นอันดับสองจาก 49 ราย ตามหลัง HeyGen Voice ที่ 1,188.52 และนำหน้า HeyGen Voice Turbo ที่ 1,172.56 โดยช่วงของสองอันดับแรกทับซ้อนกัน ดังนั้นอันดับสองกับอันดับหนึ่งจึงไม่แยกจากกันทางสถิติบนกระดานนั้น เมื่อแยกตามสำเนียงในวันที่ 7 พฤศจิกายน อยู่ที่อันดับหนึ่งจาก 49 รายในภาษาอังกฤษแบบสหรัฐฯ ที่ 1,207.07 และอันดับห้าในภาษาอังกฤษแบบสหราชอาณาจักรที่ 1,136.72 บน Provider Voice arena ซึ่งผู้ให้บริการแต่ละรายจัดหาเสียงพื้นถิ่นของตนเอง อยู่ที่อันดับสามจาก 104 รายที่ 1,303 ตามหลัง Eleven v4 ที่ 1,339 และ Eleven v4 Turbo ที่ 1,335
ทีนี้ลองวางเรื่องนั้นเทียบกับรายการเสียง ทีมที่อ่านคำว่า “first in US English” แล้วสั่งระดับ Plus กำลังซื้อโมเดลที่มีสี่เสียง หากผลิตภัณฑ์ต้องการเสียงผู้หญิงสำเนียงอังกฤษ ซึ่งเป็นข้อกำหนดที่พบบ่อยที่สุดเพียงข้อเดียวในงานเสียงสำหรับผู้บริโภคภาษาอังกฤษ ระดับ Plus กลับไม่มีเสียงนี้ ขณะที่ Flash มี และมีถึงสี่เสียง อีกทั้ง Flash ไม่มีคะแนนในอารีนาใดเลย จึงไม่มีอะไรให้เทียบกับ 1,207
นั่นคือกับดักในการจับคู่นี้ และมันเป็นเรื่องเชิงโครงสร้างมากกว่าจะเป็นข้อบกพร่อง Alibaba เข้าสู่สนามแข่งขันเพียงระดับเดียว ระดับที่มันเข้าคือระดับพรีเมียม เพราะเป็นระดับที่คุ้มค่าต่อการวัดประสิทธิภาพ ผลที่เกิดขึ้นกับผู้ซื้อไม่สมมาตรกัน: โมเดลที่มีตัวเลขไม่สามารถทำสำเนียงได้ และโมเดลที่ทำสำเนียงได้ก็ไม่มีตัวเลข การเลือกจากอันดับเพียงอย่างเดียวจะทำให้เข้าใจเรื่องนี้กลับด้าน
คิดต้นทุนอย่างตรงไปตรงมา
การเปรียบเทียบทั้งสองแบบนี้ทุกครั้งจะพยายามเอาค่าใช้จ่ายของอันหนึ่งไปลบออกจากอีกอัน ซึ่งการลบแบบนั้นทำไม่ได้ Plus คิดเป็นหน่วยตัวอักษร ส่วน Flash คิดเป็นโทเคน โดยนับเสียงทางฝั่งเอาต์พุต ไม่มีอัตราส่วนตัวอักษรต่อโทเคนที่เผยแพร่สำหรับโมเดลนี้ ดังนั้นข้อกล่าวอ้างใด ๆ ที่ระบุว่า "Flash ถูกกว่า X%" จึงเป็นการกุขึ้นมา
สิ่งที่กล่าวได้คือความเสี่ยงอยู่ที่ใด อัตราเอาต์พุตของ Flash เป็นแปดเท่าของอัตราอินพุตในสิงคโปร์ และแปดเท่าในปักกิ่ง ดังนั้นเสียงจึงมีสัดส่วนหลักในใบแจ้งหนี้ของ Flash สำหรับคลิปที่มีความยาวสมจริงใด ๆ และจำนวนโทเค็นเอาต์พุตขึ้นอยู่กับว่าโมเดลตัดสินใจพูดนานแค่ไหน Plus ไม่มีค่าบริการเอาต์พุตเลย: ใบแจ้งหนี้ขึ้นอยู่กับสคริปต์ที่คุณส่งเท่านั้น และไม่มีอย่างอื่น สำหรับสคริปต์คงที่ที่มีความยาวทราบแน่นอน ให้โมเดลทั้งสองแบบและวัดผล — โควตาฟรีครอบคลุมส่วนนี้ สำหรับกรณีใดก็ตามที่จังหวะเป็นการเลือกของโมเดล ราคาเหมาจ่ายต่ออักขระของ Plus ก็คุ้มค่าที่จะจ่ายเพื่อความคาดเดาได้เพียงอย่างเดียว และเหตุผลนั้นไม่ขึ้นกับคุณภาพ
คำเตือนเชิงโครงสร้างประการหนึ่งเกี่ยวกับตัวเลขสาธารณะ อารีน่า Controlled Voice ระบุระดับ Plus ไว้ที่ $19.31 ต่อล้านตัวอักษร หน้าคิดค่าบริการของ Alibaba ระบุ $30.00 ต่อล้านตัวอักษรในสิงคโปร์ และ $20.00 ในปักกิ่ง ตัวเลขของอารีน่าต่ำกว่าทั้งสองรายการ และใกล้เคียงอย่างมากกับอัตราปักกิ่งของรุ่นก่อนหน้า คือ qwen-audio-3.0-tts-plus ที่ $0.19253 ต่อ 10,000 ตัวอักษร เราไม่สามารถบอกได้จากภายนอกว่าตัวเลขนั้นเป็นการแมปที่ล้าสมัยหรืออัตราที่ยังไม่เปิดเผย ให้ตั้งงบประมาณโดยอิงจากภูมิภาคที่คุณเรียกใช้จริง

วิธีที่การเลือกนี้ถูกตัดสินในไปป์ไลน์
ในทางปฏิบัติ ทีมส่วนใหญ่ต้องการทั้งสองระดับ และการตัดสินใจกลายเป็นเรื่องของการดำเนินงานมากกว่าการค้า รูปแบบที่ใช้งานได้จริง: คำขอเสียงจะพา locale และ voice ID มาด้วย; voice ID เป็นตัวกำหนดระดับ เพราะแคตตาล็อกเป็นตัวกำหนด; ระดับเป็นตัวกำหนด endpoint; และนโยบาย failover เป็นตัวตัดสินว่า会发生อะไรขึ้นเมื่อ endpoint ที่เลือกไว้เสื่อมประสิทธิภาพลงกลางทางระหว่างแบตช์คลิปสี่หมื่นรายการ
นี่คือปัญหาการจัดเส้นทาง และเป็นเลเยอร์ที่ OrcaRouter สร้างขึ้นมาเพื่อจัดการ — DSL สำหรับการจัดเส้นทางที่แสดงการแมปจากเสียงไปยังระดับบริการในรูปแบบคอนฟิกูเรชัน แทนที่จะเป็นโค้ดแบบแตกสาขา การสลับไปยังระบบสำรองอัตโนมัติ เพื่อให้เมื่อต้นทางเกิดข้อขัดข้อง คำขอจะถูกส่งต่อไปยังเอนจินตัวที่สอง แทนที่จะสูญเสียคลิปเสียง และ คีย์ API เดียวใช้ได้กับโมเดลกว่า 200 โมเดล เพื่อให้ส่วนเสียงพูดของ Qwen และสิ่งที่คุณผสานเข้ากับมัน อยู่เบื้องหลังข้อมูลรับรองชุดเดียวและฐานราคาเดียว โดยส่งผ่านราคาตามรายการของผู้ให้บริการในอัตราบวกเพิ่ม 0% ควรระบุขอบเขตให้ชัดเจน: OrcaRouter ไม่ได้โฮสต์โมเดลเสียงพูดของ Alibaba ส่วน Qwen ในกฎนั้นเป็น API ของผู้จำหน่ายเอง สิ่งที่เราจัดหาให้คือคีย์ กฎ และการสลับไปยังระบบสำรอง
เช็กลิสต์ก่อนที่คุณจะใช้จ่ายอะไรสักอย่าง
• ยืนยัน ID ไม่ใช่คำที่ระบุระดับ Plus หมายถึงเสียงที่น้อยลงและการคิดค่าบริการตามจำนวนอักขระ Flash หมายถึงแคตตาล็อกและการคิดค่าบริการตามโทเค็น Next หมายถึงฉากเสียง ไม่มีคำใดในนั้นอธิบายสิ่งที่โมเดลทำ
• ตรวจสอบรายการเสียงก่อนดูตารางราคา เสียงที่คุณไม่มีไม่ใช่ราคา และสำเนียงที่คุณต้องการอาจมีอยู่เฉพาะในระดับแพ็กเกจที่คุณกำลังจะข้ามไปเท่านั้น
• ตรวจสอบภูมิภาค สิงคโปร์และปักกิ่งมีราคาแตกต่างกันในทุกรายการของกลุ่มนี้ และเสียงพรีเมียมภาษาอังกฤษเป็นหมวดหมู่เดียวที่ Alibaba ระบุไว้ในเอกสารว่ามีให้บริการในทั้งสองแห่ง
• ให้ถือว่าอันดับบนลีดเดอร์บอร์ดเป็นอันดับของสมาชิกหนึ่งราย Qwen-Audio-3.1-TTS-Plus ที่ 1,179.08 ไม่ได้บอกอะไรเกี่ยวกับ qwen-audio-3.1-tts-flash ซึ่งไม่ปรากฏอยู่บนอารีนาใดเลย และไม่ได้บอกอะไรเกี่ยวกับ qwen-audio-3.1-tts-next ซึ่งเป็นผลิตภัณฑ์อีกหมวดหมู่หนึ่งที่มีคำนำหน้าเดียวกัน
• ถามว่าคำว่า “ประกาศเมื่อ 23 กันยายน” มีความหมายอย่างไรสำหรับคุณ สำหรับระดับ TTS แล้ว มันไม่มีความหมายเลย: พวกมันถูกแสดงรายการไว้ในเดือนตุลาคม
แหล่งที่มา แยกตามผู้จัดหา
• Artificial Analysis อ่านเมื่อ 9 พฤศจิกายน 2026 — เสียงแบบควบคุม: Qwen-Audio-3.1-TTS-Plus 1,179.08 Elo, อันดับ 2 จาก 49, ช่วง 1,166.08–1,192.08; ภาษาอังกฤษแบบสหรัฐ 1,207.07, อันดับ 1 จาก 49, 1,190.07–1,224.07; ภาษาอังกฤษแบบสหราชอาณาจักร 1,136.72, อันดับ 5 จาก 49, 1,118.72–1,154.72; HeyGen Voice 1,188.52 แบบรวม, 1,187.28 สหรัฐ, 1,181.55 สหราชอาณาจักร. เสียงผู้ให้บริการ: Qwen-Audio-3.1-TTS-Plus 1,303, อันดับ 3 จาก 104. วันที่เผยแพร่ข้อมูลแยกตามสำเนียงเมื่อวันที่ 7 พฤศจิกายน เป็นของ Artificial Analysis
• Alibaba Cloud Model Studio อ่านเมื่อวันที่ 9 พฤศจิกายน 2026 — วันที่เปิดตัวของแต่ละโมเดลจากหน้าวงจรชีวิตโมเดลและการอัปเดต; ราคา หน่วยการเรียกเก็บเงิน กฎการนับอักขระ และโควตาฟรีจากหน้าการเรียกเก็บเงิน; 180 RPM จากหน้าขีดจำกัดอัตรา; เสียงเรือธง Plus จำนวนสี่เสียงและแคตตาล็อกเสียง Flash รวมถึงเสียงภาษาอังกฤษที่มีสำเนียง 15 เสียง และเสียงภาษาอื่นอีก 51 เสียง จากหน้ารายการเสียง Qwen-Audio-TTS
• ไม่ปรากฏในทุกแหล่งข้างต้น — ไม่มีการเผยแพร่แบบ open-weights ใด ๆ สำหรับตระกูลเสียงพูด 3.1 คลังเสียงสาธารณะของ Qwen หยุดอยู่ที่ Qwen2-Audio เมื่อกรกฎาคม 2024 และ arena บันทึกว่า Qwen-Audio-3.1-TTS-Plus เป็น closed-weight ไม่มี checkpoint ให้ดาวน์โหลด และไม่มีเส้นทางสำหรับ self-host
• ของเรา — ข้อสังเกตที่ว่าคอลัมน์ราคาของอารีนาอยู่ต่ำกว่าอัตราที่ผู้ขายเผยแพร่ทั้งสองอัตรา ข้อโต้แย้งที่ว่าการแปลงจากอักขระเป็นโทเคนไม่สามารถทำได้ และข้อกล่าวอ้างที่ว่าระดับที่วัดได้คือระดับที่ไม่มีเสียงภาษาอังกฤษแบบบริติช ประเด็นแรกยังไม่ยุติ ประเด็นที่สองอาศัยการไม่มีอัตราส่วนที่เผยแพร่ และประเด็นที่สามเป็นไปตามรายการเสียงสองรายการของผู้ขายเอง
