Qwen-Audio-3.1 ปะทะ ElevenLabs: การลดราคา 70% พบกับเจ้าตลาดรายเดิม

ผู้ขายลดราคา API Qwen-Audio-3.1-TTS ลงราว 70% เมื่อวันที่ 23 กันยายน 2026 โดยประกาศบนเวทีที่งาน Apsara Conference ในเมืองหางโจว พร้อมกับโมเดลเสียงพูดอื่นอีกสี่โมเดล ตัวเลขเพียงตัวเดียวนั้นคือเหตุผลที่การเปรียบเทียบนี้คุ้มค่าที่จะเขียน: ElevenLabs Eleven v3 เป็นเสียงสำหรับงานโปรดักชันเริ่มต้นของทีมตะวันตกส่วนใหญ่ในอัตราที่มีผลจริงใกล้เคียง 100 ดอลลาร์ต่อหนึ่งล้านตัวอักษร และตอนนี้คู่แข่งที่น่าเชื่อถือรายหนึ่งเพิ่งตั้งราคางานแบบเดียวกันใหม่ในเสี้ยวของราคานั้น พร้อมทั้งขยายความครอบคลุมภาษาด้วยในเวลาเดียวกัน ระบบทั้งสองไม่เทียบเท่ากัน — Qwen-Audio-3.1-TTS เป็น API แบบโฮสต์เท่านั้นจาก Tongyi Lab ของผู้ขาย ซึ่งมีระบบนิเวศเสียงที่เล็กกว่า ขณะที่ ElevenLabs เป็นแพลตฟอร์มคอนเทนต์ครบวงจรที่มีคลังเสียงลึกที่สุดในอุตสาหกรรม แต่ถ้าการตัดสินใจของคุณเคยขึ้นอยู่กับใบแจ้งหนี้มาก่อน การคำนวณก็เปลี่ยนไปในสัปดาห์นี้

อะไรที่ถูกจัดส่งจริงในวันที่ 23 กันยายน

Qwen-Audio-3.1 ไม่ใช่โมเดลเดียว แต่เป็นการรีเฟรชแบบห้าโมเดลของสแต็กเสียงทั้งหมดของ Alibaba และระดับของโมเดลก็สำคัญ เพราะแต่ละระดับมีราคาและงานที่แตกต่างกัน:

• Qwen-Audio-3.1-TTS — ผู้สืบทอดโดยตรงของโมเดลสังเคราะห์เสียงที่ทีมส่วนใหญ่ใช้งาน เพิ่มเจ็ดภาษา รวมเป็น 16 ภาษา คงภูมิภาคภาษาจีนถิ่นไว้ 20 แห่ง เพิ่มการถ่ายโอนโทนเสียงข้ามภาษาแบบเป็นธรรมชาติ (เสียงเดียวที่ใช้ได้ทั้งภาษาจีนกลาง กวางตุ้ง อังกฤษ และญี่ปุ่น) ควบคุมอารมณ์ จังหวะ และสไตล์การพูดตามคำสั่ง และรองรับเสียงอ้างอิงที่มีสัญญาณรบกวน มีเสียงสะท้อน หรือคุณภาพต่ำอื่น ๆ โดยไม่ต้องมีโหมดลดสัญญาณรบกวนแยกต่างหาก

• Qwen-Audio-3.1-TTS-Next — ระดับใหม่ และเป็นผลิตภัณฑ์ที่แตกต่างออกไป Alibaba เรียกมันว่าโมเดล "Audiogen": มันสร้างเสียงพูด เอฟเฟกต์เสียง และบรรยากาศเสียงพื้นหลังจากข้อความ ไทม์สแตมป์ และเสียงอ้างอิงได้ในรอบเดียว บทสนทนาหลายผู้พูด พอดแคสต์ ภาพยนตร์และเสียงประกอบทีวี เอาต์พุต 48 kHz ตามเอกสาร Model Studio ของ Alibaba Cloud รองรับอินพุตสูงสุด 3,000 ตัวอักษร จำกัดเสียงที่สร้างไว้ที่ 240 วินาทีสำหรับพอดแคสต์ และ 120 วินาทีสำหรับกรณีอื่น ๆ ทำงานที่ 3 คำขอต่อวินาที และส่งคืนไฟล์ WAV, MP3 หรือ PCM

• Qwen-Audio-3.1-ASR, Qwen-Audio-3.1-ASR-Next และ Qwen-Audio-3.1-Realtime — ตามลำดับ ได้แก่ การจดจำเสียง การเข้าใจเสียง (อารมณ์ เพลง เสียงรอบข้าง การระบุตำแหน่งของเหตุการณ์) และการสนทนาแบบฟูลดูเพล็กซ์ โดย Realtime คือรุ่นที่ Alibaba กำลังผลักดันเข้าสู่ฮาร์ดแวร์: Qwen Office, Qoder, QwenNote A2, หุ่นยนต์ตั้งโต๊ะ QwenNote Eva และแว่นตา Qwen AI

การลดราคาครอบคลุมทั้งไลน์ผลิตภัณฑ์ ไม่ใช่แค่ TTS: การสังเคราะห์เสียงลดลงประมาณ 70% เรียลไทม์ลดลงประมาณ 85% การจดจำลดลงมากถึง 95% Alibaba ยังเปิดซอร์ส Qwen-Audio-Agent ซึ่งเป็นเฟรมเวิร์กสำหรับสร้างเอเจนต์เสียงแบบเรียลไทม์ และเปิดตัว Qwen3.8-LiveTranslate พร้อมผลักความหน่วงให้ต่ำกว่า 2.5 วินาที

กระดานคะแนน

• ราคา — Qwen-Audio-3.1-TTS: ต่ำกว่ารุ่น Qwen-Audio ก่อนหน้าประมาณ 70% ซึ่งรุ่น 3.0 Plus อยู่ที่ประมาณ 27.60 ดอลลาร์ต่อ 1 ล้านตัวอักษร และรุ่น Flash อยู่ที่ประมาณ 15 ดอลลาร์ ElevenLabs Eleven v3: ประมาณ 100 ดอลลาร์ต่อ 1 ล้านตัวอักษร ตามข้อมูลที่ติดตามโดย Artificial Analysis โดยรุ่น Flash อยู่ที่ประมาณ 50 ดอลลาร์

• ภาษา — Qwen-Audio-3.1-TTS: 16 ภาษา รวมถึงภูมิภาคภาษาถิ่นจีนอีก 20 แห่ง ElevenLabs Eleven v3: 74 ภาษา

• น้ำหนักโมเดล — Qwen-Audio-3.1-TTS: แบบปิด ให้บริการเฉพาะบน Alibaba Cloud Model Studio เท่านั้น ElevenLabs Eleven v3: แบบปิด ให้บริการแบบโฮสต์เองเท่านั้น

• คลังเสียง — Qwen-Audio-3.1-TTS: การโคลนเสียงแบบเนทีฟพร้อมการถ่ายโอนโทนเสียงข้ามภาษา; ยังไม่มีตลาดสาธารณะใดเทียบเท่า ElevenLabs: คลังเสียงที่แชร์กันใหญ่ที่สุดในอุตสาหกรรม พร้อมการโคลนเสียงทันทีจากเสียงประมาณ 30 วินาที

• การควบคุมการนำเสนอ — Qwen-Audio-3.1-TTS: อารมณ์ จังหวะ และสไตล์แบบสั่งผ่านคำสั่ง โดยสืบทอดแท็กการนำเสนอแบบอินไลน์ 86 แท็กที่เปิดตัวมาพร้อมกับ 3.0 ElevenLabs Eleven v3: แท็กเสียงพร้อมทั้งแพลตฟอร์มโดยรอบ (การพากย์เสียง, เอเจนต์, สตูดิโอ)

• การทดสอบประสิทธิภาพโดยอิสระ — Qwen-Audio-3.1-TTS: ยังไม่มี ElevenLabs Eleven v3: 1,168 Elo บนกระดานผู้นำ Provider Voice Arena ของ Artificial Analysis ณ เดือนสิงหาคม 2026

ที่ผู้ท้าชิงชนะอย่างแท้จริง

มีสามสิ่ง และมีเพียงหนึ่งเดียวในนั้นที่เป็นราคา

ราคา แน่นอนอยู่แล้ว การลดลง 70% เมื่อเทียบกับผู้ให้บริการรายเดิมที่คิดราคา 100 ดอลลาร์ต่อล้านตัวอักษร ไม่ใช่ความต่างเพียงเล็กน้อยที่ปัดเศษทิ้งได้ มันคือความต่างระหว่างผลิตภัณฑ์ที่คุณใช้ทำต้นแบบ กับผลิตภัณฑ์ที่คุณส่งมอบให้ผู้ใช้ทุกคน หากคุณสร้างเสียงบรรยายในปริมาณมาก เงินที่ประหยัดได้ต่อปีไม่ใช่รายการในงบที่คุณต้องไปโต้แย้งภายในองค์กร — มันโต้แย้งแทนตัวเองอยู่แล้ว

ภาษาจีนอย่างไม่ต้องสงสัย ยี่สิบภูมิภาคภาษาถิ่นจีนเป็นคูเมืองที่ไม่มีสิ่งใดที่ ElevenLabs นำเสนอเทียบได้ ถ้าผลิตภัณฑ์ของคุณให้บริการผู้ใช้จีนแผ่นดินใหญ่ หรือผู้พูดภาษากวางตุ้ง หรือกลุ่มผู้ชมชาวพลัดถิ่นที่สลับภาษากลางประโยค การเปรียบเทียบก็จบก่อนจะเริ่มเสียอีก

การถ่ายโอนน้ำเสียงข้ามภาษา Qwen-Audio-3.1-TTS รับเสียงหนึ่งเสียงและถ่ายทอดเสียงนั้นได้อย่างเป็นธรรมชาติข้ามภาษาจีนกลาง ภาษากวางตุ้ง ภาษาอังกฤษ และภาษาญี่ปุ่น นี่คือความสามารถเฉพาะเจาะจงที่มีกรณีการใช้งานเฉพาะเจาะจง — เสียงแบรนด์เดียวที่คงอยู่แม้เปลี่ยนภาษา — และเป็นความแตกต่างที่แท้จริงสำหรับผู้ที่ต้องโลคัลไลซ์ผู้นำเสนอคนเดียว แทนที่จะต้องคัดเลือกนักพากย์คนใหม่สำหรับแต่ละภาษา

จุดที่ ElevenLabs ยังคงชนะ และไม่ใช่แบบสูสี

ความกว้างของภาษาเป็นสิ่งแรก และเป็นสิ่งที่ใหญ่ที่สุด เจ็ดสิบสี่ภาษากับสิบหกภาษาไม่ใช่ช่องว่างที่คุณจะปิดได้ด้วยการประกาศเรื่องราคา หากคุณเปิดให้บริการในภาษาโปแลนด์ ตุรกี เวียดนาม และโปรตุเกส ElevenLabs รองรับคุณได้ในวันนี้ ส่วน Qwen-Audio-3.1-TTS ไม่รองรับ

อย่างที่สองคือระบบนิเวศ ElevenLabs ไม่ใช่แค่ปลายทางสำหรับการสังเคราะห์เสียง หากแต่เป็นแพลตฟอร์มคอนเทนต์ คลังเสียงที่ใช้ร่วมกันซึ่งคุณสามารถขอรับสิทธิ์นำไปใช้ได้ แทนที่จะต้องโคลน เวิร์กโฟลว์การพากย์เสียง โครงสร้างพื้นฐานสำหรับเอเจนต์ ผลิตภัณฑ์สตูดิโอ และพื้นผิว API ที่มีเอกสารประกอบพร้อมไลบรารีไคลเอนต์ที่รองรับมาหลายปี การย้ายออกจากสิ่งเหล่านั้นเป็นโปรเจกต์ ไม่ใช่แค่การปรับคอนฟิก และทีมที่สร้างงานบนมันรู้ดีว่าพวกเขากำลังจะสละอะไรไป

ประการที่สามคือสิ่งที่ยากจะเรียกชื่อ แต่ก็ยังคุ้มค่าที่จะเอ่ยถึงอยู่ดี: การรับรู้ถึงความเป็นธรรมชาติของเสียงภาษาอังกฤษเพียงเสียงเดียว การสังเคราะห์เสียงของ Qwen นั้นในอดีตยอดเยี่ยมในภาษาจีน และเพียงแค่ดีมากในภาษาอังกฤษ และแม้ว่าการเปิดตัวเวอร์ชัน 3.1 จะอ้างว่าปรับปรุงการถ่ายทอดเสียงหลายภาษา แต่ก็ยังไม่มีการทดสอบการฟังที่เป็นอิสระบนโมเดลใหม่ ใครก็ตามที่บอกคุณว่ารู้ว่าเสียง Qwen ใหม่ฟังดูเป็นอย่างไรในภาษาอังกฤษกำลังเดา

ตัวเลขที่ยังไม่ควรมีใครนำมาอ้างอิง

นี่คือส่วนของเรื่องที่จะถูกบิดเบือนในการรายงานข่าว ดังนั้นนี่คือแบบตรงไปตรงมา Qwen-Audio-3.1-TTS ไม่มีคะแนนเบนช์มาร์กอิสระรุ่นก่อนหน้าของมันคือ Qwen-Audio-3.0-TTS-Plus อยู่ที่ 1,234 Elo บนลีดเดอร์บอร์ด Provider Voice Arena ของ Artificial Analysis เมื่อกลางเดือนสิงหาคม 2026 โดยอยู่อันดับระหว่างที่สองถึงห้าบนกระดานนั้น Qwen-Audio-3.1-TTS ยังไม่ถูกเพิ่มเข้า arena ใด ๆ ทุกข้อกล่าวอ้างด้านคุณภาพในเอกสารเปิดตัวของ Alibaba เป็นข้อมูลที่ผู้ขายรายงานเองและยังไม่ถูกทำซ้ำ

นั่นไม่ได้ทำให้ข้อกล่าวอ้างเหล่านั้นเป็นเท็จ แต่มันทำให้ข้อกล่าวอ้างเหล่านั้นยังไม่ได้รับการยืนยัน และหมายความว่าการวางกรอบอย่างซื่อสัตย์ของการจับคู่นี้ในตอนนี้คือ: โมเดลหนึ่งที่มีราคาแต่ไม่มีคะแนน เทียบกับอีกโมเดลหนึ่งที่มีคะแนนและราคาสูงกว่ามาก สิ่งใดที่หนักแน่นไปกว่านั้นคือการคาดเดาที่สวมคราบของเบนช์มาร์ก

หลักการเดียวกันนี้ใช้กับความหน่วงด้วย ตัวเลขโทเคนแรกที่เป็นจุดขายของ Alibaba สำหรับฝั่ง ASR ของตระกูลนี้ — 92 มิลลิวินาที — มาจากการทดสอบประสิทธิภาพภายใต้การทำงานพร้อมกันสูงของบริษัทเองบนสเปก 0.6B ไม่ใช่จากการทดสอบโดยบุคคลที่สาม และบทวิเคราะห์ที่เผยแพร่หลังการเปิดตัวระบุว่า ASR กับ TTS เป็นผลิตภัณฑ์แยกกันในไปป์ไลน์ มากกว่าเป็นโมเดลแบบครบวงจรตัวเดียว และรายงานจากชุมชนบรรยายว่าความหน่วงสะสมในการสนทนายาวภายใต้รูปแบบสตรีมมิ่งกึ่งหนึ่ง ให้ถือว่าตัวเลขความหน่วงจากผู้ขายทั่วทั้งตระกูลนี้เป็นเพดาน ไม่ใช่ประสบการณ์ที่วัดได้จริง

การลดราคามีคุณค่าเพียงใดในทางปฏิบัติ

ลองพิจารณาภาระงานจริง: ผลิตภัณฑ์ที่สังเคราะห์เสียงบรรยาย 20 ล้านตัวอักษรต่อเดือนทั้งภาษาอังกฤษและภาษาจีนกลาง ด้วยราคาประมาณ $100 ต่อล้านตัวอักษรของ ElevenLabs Eleven v3 คิดเป็นประมาณ $2,000 ต่อเดือน หรือ $24,000 ต่อปี ด้วยอัตราของ Qwen-Audio-3.0-TTS-Plus ที่ประมาณ $27.60 ต่อล้าน ปริมาณเท่ากันนี้เคยอยู่ที่ประมาณ $552 ต่อเดือน เมื่อใช้ส่วนลดประมาณ 70% ที่ Alibaba ประกาศเมื่อวันที่ 23 กันยายน ภาระงานเดียวกันจะลดลงเหลือเพียงหลักร้อยดอลลาร์ต้น ๆ ต่อเดือน

ไม่มีตัวเลขใดในนั้นเป็นราคาตามประกาศที่คุณใช้เซ็นสัญญาได้ — ElevenLabs คิดค่าบริการเป็นเครดิตผ่านแพ็กเกจ subscription และส่วนลดของ Alibaba เป็นการลดเป็นเปอร์เซ็นต์จากอัตราที่แตกต่างกันไปตามภูมิภาคและตามแพ็กเกจ แต่รูปแบบของการเปรียบเทียบนั้นชัดเจนไม่มีข้อกังขา และรูปแบบนั่นแหละคือสิ่งที่คุณใช้เป็นฐานในการจัดทำงบประมาณ

ข้อแม้หนึ่งประการที่ควรชี้ให้เห็นสำหรับใครก็ตามที่กำลังสร้างแบบจำลองเรื่องนี้อย่างรอบคอบ: Alibaba Cloud ได้เปลี่ยนการคิดค่าบริการถอดเสียงแบบเรียลไทม์บนโหนดสิงคโปร์จากการคิดตามระยะเวลาเป็นการคิดตามโทเคน โดยคิด 0.93 ดอลลาร์สหรัฐต่อโทเคนอินพุตหนึ่งล้านโทเคน และ 0.70 ดอลลาร์สหรัฐต่อโทเคนเอาต์พุตหนึ่งล้านโทเคน การคิดค่าบริการตามโทเคนคาดเดาได้ยากกว่าการคิดตามระยะเวลา เมื่อคุณไม่ได้ควบคุมว่าชิ้นส่วนเสียงหนึ่ง ๆ จะกลายเป็นกี่โทเคน และเสียงรบกวน ความเงียบ และบริบทแบบหลายรอบ ต่างก็ทำให้การใช้โทเคนสูงขึ้น การลดลง 70% ที่ประกาศไว้ไม่ได้แปลว่าจะประหยัด 70% กับทราฟฟิกเฉพาะของคุณโดยอัตโนมัติ

วิธีรันสวิตช์จริงๆ

ถ้าคุณกำลังประเมินเรื่องนี้ สิ่งที่มีประโยชน์ที่ควรรู้คือการย้ายระบบต้องใช้เวลาทางวิศวกรรมของคุณมากแค่ไหน โมเดลทั้งสองเป็น API แบบโฮสต์ปิดทั้งคู่ ดังนั้นไม่ว่าทางไหนคุณก็ต้องผสานการทำงานกับปลายทาง HTTP และงานที่ต้องทำคือไคลเอนต์ นโยบายการลองใหม่ และคลังเสียง ไม่ใช่การรื้อสถาปัตยกรรมใหม่

นั่นคือจุดที่รูปแบบของ OrcaRouter เข้ามาช่วยได้ โดยขอออกตัวตามตรงก่อนหนึ่งข้อ: เราไม่ได้ route Qwen-Audio-3.1-TTS หรือโมเดล Qwen-Audio ใด ๆ เลย speech endpoint ของ Alibaba อยู่นอกขอบเขตของเรา และ ElevenLabs ก็เช่นกัน สิ่งที่เราครอบคลุมคือชั้น inference ที่อยู่รอบ ๆ สิ่งเหล่านั้น — API key เดียวใช้ได้กับโมเดลข้อความกว่า 200 รุ่น โดยคิด markup 0%หมายความว่าราคาตาม list ของผู้ให้บริการถูกส่งต่อไปตรง ๆ ดังนั้นหากผู้ขายลดราคา ฝั่งเราก็สะท้อนให้ทันทีในวันเดียวกัน ไม่ต้องรอรอบปรับราคาใหม่ สำหรับทีมที่สร้างแอปพลิเคชันที่ขับเคลื่อนไปป์ไลน์เสียง — ไม่ว่าจะเป็นตัวสรุป ตัวสร้างสคริปต์ ตัววางแผนเนื้อหา — นั่นหมายถึงสัญญาเดียวแทนที่จะเป็นหลายฉบับ การ failover อัตโนมัติเมื่อ upstream ทำงานเสื่อมลงและ routing DSL สำหรับประกอบโมเดลหลายตัวเข้าเป็นการเรียกครั้งเดียว แต่นั่นไม่ได้หมายความว่าคุณเรียกเสียงของ Qwen ผ่านเรา ใครที่บอกเป็นอย่างอื่นก็แสดงว่ายังไม่ได้อ่านแคตตาล็อกของเรา

ใครควรย้าย และใครควรรอ

เริ่มเลยตอนนี้ หากปริมาณงานของคุณเน้นภาษาจีนเป็นหลัก หากความครอบคลุมของภาษาถิ่นอยู่ในรายการข้อกำหนดของคุณ หากต้นทุนตามปริมาณคือข้อจำกัดที่ทำให้คุณยังใช้เสียงที่ถูกกว่าแต่คุณภาพแย่กว่า หรือหากคุณต้องการเสียงที่เป็นแบรนด์เดียวกันให้ใช้งานต่อได้แม้ต้องสลับภาษา ราคาแบบวันที่ 23 กันยายนทำให้เหตุผลด้านเศรษฐศาสตร์แทบจะโต้แย้งไม่ได้ และคุณภาพภาษาจีนก็แข่งขันได้อยู่แล้วก่อนหน้านั้น

เดี๋ยวก่อน หากคุณจัดส่งในภาษามากกว่าประมาณสิบหกภาษา หากผลิตภัณฑ์ของคุณพึ่งพาไลบรารีเสียงที่ต้องขอใบอนุญาตแทนการโคลนเสียง หากคุณลงลึกกับเครื่องมือพากย์เสียงหรือเครื่องมือเอเจนต์ของแพลตฟอร์ม หรือหากกระบวนการจัดซื้อจัดจ้างของคุณต้องมีคะแนนคุณภาพอิสระก่อนการอนุมัติ ไม่มีข้อใดเป็นอุปสรรคถาวร แต่ไม่มีข้อใดได้รับการแก้ไขด้วยการลดราคา

และให้จับตาดูเรื่องหนึ่งโดยเฉพาะ: ว่า Qwen-Audio-3.1-TTS จะปรากฏบนเวทีทดสอบการฟังแบบไม่เปิดเผยชื่อหรือไม่ ทันทีที่มันปรากฏ การเปรียบเทียบนี้จะไม่ใช่เรื่องของราคาและจำนวนภาษาอีกต่อไป แต่จะกลายเป็นเรื่องของว่าเสียงที่ถูกกว่านั้นดีพอ ๆ กันจริงหรือไม่ นั่นคือคำถามที่การเปิดตัวไม่ได้ตอบ