Qwen-Audio-3.1-TTS เมื่อเทียบกับ Qwen-Audio-3.0-TTS: สิ่งที่ได้มาในสองเดือน

Qwen-Audio-3.0-TTS เปิดตัวเมื่อวันที่ 20 กรกฎาคม 2026 และขึ้นไปอยู่อันดับต้น ๆ ของกระดานผู้นำด้านเสียงพูดอิสระทันที — รุ่น Plus ทำคะแนนได้ 1,238 Elo บนกระดานผู้นำ Provider Voice Arena ของ Artificial Analysis เป็นอันดับสองของกระดาน เก้าสัปดาห์ต่อมา วันที่ 23 กันยายน 2026 ผู้ให้บริการได้ประกาศ Qwen-Audio-3.1-TTS ที่งาน Apsara Conference ในเมืองหางโจว พร้อมการลดราคาลงราว 70% จังหวะเวลานี้ทำให้การเปรียบเทียบครั้งนี้ไม่ธรรมดา: โมเดลที่กำลังถูกแทนที่ไม่ได้ล้าสมัย มันถูกวัดผลแล้ว พิสูจน์แล้ว และยังอยู่ใกล้ตำแหน่งสูงสุด ดังนั้นคำถามจริง ๆ ไม่ใช่ว่ารุ่นไหนดีกว่า แต่คืออะไรเปลี่ยนแปลงไปบ้าง สิ่งเหล่านั้นมีความสำคัญกับงานของคุณหรือไม่ และจะเกิดอะไรขึ้นกับคะแนนที่คุณเชื่อถืออยู่แล้ว เมื่อรุ่นสืบทอดยังไม่ถูกให้คะแนนเลย

สองเดือน ห้าปลายทาง หนึ่งครอบครัว

Alibaba ไม่ได้เปิดตัวโมเดลเพียงตัวเดียว การเปิดตัวเวอร์ชัน 3.1 ครอบคลุมห้าโมเดล ได้แก่ Qwen-Audio-3.1-ASR, Qwen-Audio-3.1-ASR-Next, Qwen-Audio-3.1-TTS, Qwen-Audio-3.1-TTS-Next และ Qwen-Audio-3.1-Realtime สำหรับใครก็ตามที่ปัจจุบันเรียกใช้ Qwen-Audio-3.0-TTS อยู่ มีเพียงหนึ่งในนั้นเท่านั้นที่ใช้แทนได้ทันที — คือรุ่น TTS ธรรมดา — และอีกหนึ่งรายการเป็นผลิตภัณฑ์ใหม่จริง ๆ ไม่ใช่การอัปเกรด

ตัวที่สองนั้นน่าทำความเข้าใจไว้ แม้ว่าคุณจะไม่เคยเรียกใช้มันก็ตาม Qwen-Audio-3.1-TTS-Next คือสิ่งที่ Alibaba เรียกว่าโมเดล "Audiogen": การประมวลผลครั้งเดียวที่สร้างเสียงพูด เอฟเฟกต์เสียง และบรรยากาศพื้นหลังออกมาพร้อมกันจากข้อความ เวลาที่กำหนด และเสียงอ้างอิง รองรับบทสนทนาหลายผู้พูด การประกอบพอดแคสต์ บรรยากาศเสียงของฉาก และเอาต์พุต 48 kHz เอกสารของ Model Studio บน Alibaba Cloud ระบุขีดจำกัดไว้อย่างชัดเจน — อินพุต 3,000 ตัวอักษร, เสียงที่สร้างได้ 240 วินาทีสำหรับพอดแคสต์ และ 120 วินาทีสำหรับกรณีอื่น, 3 คำขอต่อวินาที, เอาต์พุตเป็น WAV, MP3 หรือ PCM และรองรับคลิปอ้างอิงสูงสุดสามคลิป คลิปละ 30 วินาที ในรูปแบบ WAV, MP3 หรือ OGG Opus ไม่รองรับอินพุตอ้างอิงแบบ PCM ดิบ ราคาอยู่ที่ $0.848 ต่อล้านโทเคนอินพุต และ $1.696 ต่อล้านโทเคนเอาต์พุตบนโหนดปักกิ่ง ไม่รวมอัตราโปรโมชัน และรองรับเฉพาะภาษาจีนและภาษาอังกฤษเท่านั้น

ถ้าคุณใช้ 3.0-TTS อยู่ และงานของคุณคือ “เปลี่ยนสคริปต์นี้ให้เป็นเสียง” ทั้งหมดนั้นก็ไม่ได้เปลี่ยนการผสานรวมของคุณ ถ้างานของคุณคือ “ประกอบพอดแคสต์สองพิธีกรที่มีดนตรีประกอบ” 3.1-TTS-Next ก็เป็นผลิตภัณฑ์อีกหมวดหมู่หนึ่ง และอาจเป็นเหตุผลที่ทำให้ต้องมาดูรีลีสนี้เลยก็ได้

การอัปเกรด ทีละบรรทัด

• ภาษา — Qwen-Audio-3.1-TTS: ผู้จำหน่ายรายงานว่า รองรับ 16 ภาษา โดยเพิ่มขึ้นเจ็ดภาษาจากรุ่นก่อนหน้า Qwen-Audio-3.0-TTS: รองรับ 16 ภาษา ตามที่ระบุไว้ในบทความที่เผยแพร่เกี่ยวกับการเปิดตัวในเดือนกรกฎาคม

• ภาษาถิ่นจีน — Qwen-Audio-3.1-TTS: 20 ภูมิภาคภาษาถิ่น สืบทอดมาต่อ Qwen-Audio-3.0-TTS: 20 ภูมิภาคภาษาถิ่น

• การถ่ายโอนทิมเบรข้ามภาษา — Qwen-Audio-3.1-TTS: รองรับ ใช้เสียงเดียวกันข้ามภาษาจีนกลาง กวางตุ้ง อังกฤษ และญี่ปุ่นได้ Qwen-Audio-3.0-TTS: ไม่มีให้บริการ

• การควบคุมการนำเสนอ — Qwen-Audio-3.1-TTS: การควบคุมอารมณ์ จังหวะ และสไตล์ตามคำสั่ง Qwen-Audio-3.0-TTS: แท็กการนำเสนอแบบอินไลน์ 86 แท็ก

• อินพุตอ้างอิงที่มีเสียงรบกวน — Qwen-Audio-3.1-TTS: จัดการเสียงอ้างอิงที่มีเสียงรบกวนหรือเสียงสะท้อนได้โดยตรง ไม่มีโหมดลดเสียงรบกวนแยกต่างหาก Qwen-Audio-3.0-TTS: ต้องใช้เสียงอ้างอิงที่สะอาด

• คะแนนอิสระ — Qwen-Audio-3.1-TTS: ยังไม่มี Qwen-Audio-3.0-TTS-Plus: 1,238 Elo บนลีดเดอร์บอร์ด Provider Voice Arena ของ Artificial Analysis ณ เดือนสิงหาคม 2026

จำนวนภาษาไม่สอดคล้องกัน และเรื่องนี้สำคัญ

นี่เป็นเรื่องเล็กๆ ที่ที่อื่นจะถูกกลบเกลื่อนจนหมดสิ้น จึงควรค่าที่จะกล่าวถึง เอกสารเปิดตัวของ Alibaba ระบุว่าเทียร์ TTS 3.1 เพิ่มเจ็ดภาษา การรายงานข่าวที่เผยแพร่เกี่ยวกับรุ่น 3.0 เดือนกรกฎาคม — รวมถึงบทความเปรียบเทียบของเราเองจากเดือนนั้น — ระบุว่าเทียร์ 3.0 มี 16 ภาษา เจ็ดบวกสิบหกเป็นยี่สิบสาม ไม่ใช่สิบหก และ Alibaba ยังไม่ได้เผยแพร่คำชี้แจงที่กระทบยอดตัวเลขทั้งสองนี้

คำอธิบายที่เป็นไปได้นั้นไม่หวือหวา: ตัวเลข 3.1 อาจนับชุดที่แตกต่างออกไป ตัวเลข 3.0 อาจถูกกล่าวเกินจริงตอนเปิดตัว หรือ "adds seven" อาจอธิบายถึงระดับ ASR มากกว่าระดับ TTS เราไม่รู้ว่าอันไหน สิ่งที่เรารู้คือจำนวนภาษาทั้งสองด้านของการเปรียบเทียบนี้เป็นตัวเลขที่ผู้ขายรายงาน ซึ่งไม่เคยถูกตรวจสอบอย่างอิสระ และใครก็ตามที่อ้าง "16 languages" เป็นข้อเท็จจริงที่แน่นอนเกี่ยวกับโมเดลใดโมเดลหนึ่ง กำลังอ้างสไลด์การตลาด ตรวจสอบภาษาที่คุณต้องการกับเอกสารประกอบของ Model Studio ก่อนที่คุณจะวางแผนโดยอิงจากจำนวนดังกล่าว

การควบคุมคำสั่งคือการเปลี่ยนแปลงที่ปรากฏให้เห็นจริงในโค้ด

ในบรรดาทุกอย่างในรีลีส TTS 3.1 นี่คือสิ่งที่เปลี่ยนวิธีที่คุณเขียนพรอมต์ รุ่น 3.0 ควบคุมการสื่ออารมณ์ผ่านแท็กอินไลน์ 86 แท็ก — คำศัพท์ตายตัวที่คุณต้องเรียนรู้ ต้องแทรกในตำแหน่งที่ถูกต้อง และทำหน้าที่เพียงตามที่มันระบุไว้เท่านั้น ไม่มากไปกว่านั้น ระดับ 3.1 แทนที่สิ่งนั้นด้วยคำสั่งแบบภาษาธรรมชาติ: คุณอธิบายอารมณ์ จังหวะ และสไตล์ที่ต้องการ แล้วโมเดลจะตีความ

ความแตกต่างในทางปฏิบัติคือความสามารถในการแสดงออกเทียบกับความสามารถในการคาดการณ์ คำศัพท์แท็กเป็นสัญญา — แท็กเดียวกันให้การพูดแบบเดียวกันทุกครั้ง ซึ่งเป็นสิ่งที่คุณต้องการในไปป์ไลน์การผลิตที่เสียงต้องคงเส้นคงวาตลอดคลิปหนึ่งหมื่นชิ้น คำสั่งแบบอิสระนั้นครอบคลุมกว่าแต่หลวมกว่า และมันสืบทอดปัญหาความไวต่อพรอมต์ตามปกติ: การใช้ถ้อยคำสองแบบของ "อบอุ่นแต่ไม่ซาบซึ้งเกินไป" จะให้ผลเหมือนกันเป๊ะไม่ได้ และการใช้ถ้อยคำเดียวกันสองครั้งในวันต่างกันก็เช่นกัน

ถ้าไปป์ไลน์ปัจจุบันของคุณสร้างอยู่บนแท็ก 86 ตัวนั้น การอัปเกรดก็ไม่ได้มาฟรี ๆ คุณกำลังแลกพื้นผิวควบคุมที่แน่นอนตายตัว ไปกับสิ่งที่ทำงานแบบความน่าจะเป็น และงานในการย้ายระบบไม่ใช่แค่การเรียก API — แต่คือการตรวจสอบเทมเพลตพรอมต์ทุกอันที่คุณมีใหม่อีกครั้ง เทียบกับการตีความของโมเดลใหม่ ตั้งงบไว้สำหรับเรื่องนั้นก่อนที่คุณจะตั้งงบสำหรับสิ่งที่ประหยัดได้

การถ่ายโอนคุณภาพเสียงข้ามภาษา และมันมีไว้เพื่ออะไรกันแน่

เสียงอ้างอิงหนึ่งเดียว ที่ส่งต่อไปยังภาษาจีนกลาง กวางตุ้ง อังกฤษ และญี่ปุ่น โดยยังคงอัตลักษณ์ไว้แม้ภาษาจะเปลี่ยนไป บนกระดาษ สิ่งนี้อ่านดูเหมือนจุดเด่นในสเปกคุณสมบัติ แต่ในทางปฏิบัติ มันแก้ปัญหาที่เฉพาะเจาะจงและมีต้นทุนสูง: ผู้บรรยายเพียงคนเดียวที่ต้องอยู่ในมากกว่าหนึ่งภาษาโดยไม่ฟังดูเป็นคนละคนในแต่ละภาษา

วิธีแก้ปัญหาแบบเดิมคือการจ้างนักพากย์แยกต่างหากสำหรับแต่ละภาษา และยอมรับว่าเสียงแบรนด์ของคุณตอนนี้กลายเป็นสี่เสียงที่ใช้บทเดียวกัน ทางเลือกคือการโคลนเสียงของนักพูดคนเดียวไปยังแต่ละภาษา ซึ่งเป็นเวิร์กโฟลว์ที่เสียงโคลนมักจะเพี้ยนไป — สำเนียงติดมาด้วย น้ำเสียงบางลง และผู้ฟังสังเกตได้ภายในหนึ่งประโยค การถ่ายโอนน้ำเสียงข้ามภาษาคือการกล่าวอ้างว่าไม่จำเป็นต้องประนีประนอมทั้งสองทาง

อีกทั้ง ในตอนนี้ มันยังไม่ได้รับการยืนยันใด ๆ ทั้งสิ้น ยังไม่มีการทดสอบการฟังโดยบุคคลที่สามกับ Qwen-Audio-3.1-TTS ในภาษาใด ๆ และเดโมของ Alibaba เองก็เป็นหลักฐานเดียวที่บ่งชี้ว่าการถ่ายโอนนั้นยังได้ผล หากความสามารถนี้เป็นเหตุผลที่คุณกำลังพิจารณาจะอัปเกรด ให้ทดสอบกับเสียงอ้างอิงของคุณเองก่อนตัดสินใจ — นั่นคือการทดลองห้านาที และเป็นสิ่งเดียวที่ตอบคำถามนี้ได้

การลดราคาส่งผลอย่างไรต่อร่างกฎหมาย 3.0

Alibaba ปรับลดราคาบริการเสียงพูดทั่วทั้งกลุ่มผลิตภัณฑ์: การสังเคราะห์เสียงประมาณ 70% เรียลไทม์ประมาณ 85% และการรู้จำเสียงมากถึง 95% การปรับราคานี้มีผลบน Alibaba Cloud Model Studio เมื่อวันที่ 22 กันยายน 2026 เวลา 00:00 น. ตามเวลาปักกิ่ง ครอบคลุมภูมิภาคปักกิ่งและสิงคโปร์ และมีผลกับเอนด์พอยต์ 3.1 TTS และ 3.0 realtime หลังการปรับราคา ระดับ TTS Flash กำหนดราคาที่ 1.5 หยวนต่อโทเคนอินพุต 1 ล้านโทเคน และ 12 หยวนต่อโทเคนเอาต์พุต 1 ล้านโทเคน ส่วนระดับ realtime Flash กำหนดราคาที่ 1.5 สำหรับข้อความอินพุต 6 สำหรับเสียงอินพุต 4.5 สำหรับข้อความเอาต์พุต และ 12 สำหรับเอาต์พุตข้อความและเสียงรวมกัน ต่อ 1 ล้านโทเคน

นี่คือส่วนที่สำคัญหากคุณใช้ 3.0-TTS อยู่แล้ว ระดับ 3.0 Plus มีราคาอยู่ที่ประมาณ $27.60 ต่อล้านตัวอักษรบน Artificial Analysis จนถึงเดือนสิงหาคม โดยระดับ Flash อยู่ที่ประมาณ $15 หากการลดลง ~70% ใช้กับระดับที่คุณใช้ บิลของคุณสำหรับปริมาณงานเดียวกันจะลดลงเหลือประมาณหนึ่งในสามของเดิม — โดยที่คุณไม่ต้องแก้ไขโค้ดแม้แต่บรรทัดเดียว นั่นคือสิ่งที่ผิดปกติเกี่ยวกับการเปิดตัวนี้: สำหรับลูกค้า 3.0 การลดราคามีค่ามากกว่าการอัปเกรดโมเดล และมันเกิดขึ้นไม่ว่าคุณจะย้ายหรือไม่ก็ตาม

มีข้อควรระวังสองข้อที่ควรจดจำไว้ การลดเป็นเปอร์เซ็นต์นั้นอ้างอิงกับอัตราค่าบริการที่แตกต่างกันตามภูมิภาคและตามระดับแพ็กเกจ ดังนั้นตัวเลข 70% ที่เป็นพาดหัวข่าวจึงไม่ใช่คำมั่นสัญญาเกี่ยวกับทราฟฟิกของคุณโดยเฉพาะ และ Alibaba Cloud ได้เปลี่ยนการเรียกเก็บเงินค่าถอดเสียงแบบเรียลไทม์บนโหนดสิงคโปร์จากการคิดตามระยะเวลาเป็นการคิดตามโทเคน — $0.93 ต่อหนึ่งล้านโทเคนอินพุต และ $0.70 ต่อหนึ่งล้านโทเคนเอาต์พุต — ซึ่งเป็นฐานที่คาดเดาได้น้อยกว่า เมื่อความเงียบ เสียงรบกวน และบริบทแบบหลายรอบต่างทำให้การใช้โทเคนสูงขึ้น โปรดอ่านตารางอัตราค่าบริการใหม่เทียบกับเสียงของคุณเอง ไม่ใช่เทียบกับข่าวประชาสัมพันธ์

เมื่อใดที่ Qwen-Audio-3.0-TTS ยังคงเป็นตัวเลือกที่ใช่

สามกรณี และไม่ใช่กรณีขอบ

เมื่อคุณต้องการตัวเลขที่คุณสามารถปกป้องได้ Qwen-Audio-3.0-TTS-Plus มีคะแนน Elo อิสระที่ 1,238 — กระดานเดียวกันแสดงค่า 1,259 สำหรับรุ่นนั้นในเดือนกันยายน ซึ่งยังคงเป็นอันดับสอง ดังนั้นคะแนนจึงเลื่อนสูงขึ้นแทนที่จะเสื่อมลง — จากเวทีฟังแบบไม่เห็นชื่อ (blind-listening arena) ที่มีคะแนนเสียงหลายพันหนุนอยู่เบื้องหลัง Qwen-Audio-3.1-TTS ไม่มีคะแนนจากเวทีเลยแม้แต่คะแนนเดียว หากกระบวนการอนุมัติ (sign-off) ของคุณต้องการหลักฐานจากบุคคลที่สาม รุ่นเก่าคือรุ่นที่มีหลักฐานนั้น และการลดราคาก็ไม่ได้เปลี่ยนข้อเท็จจริงนั้น

เมื่อความแน่นอนเหนือกว่าอิสระในการแสดงออก หากไปป์ไลน์โปรดักชันของคุณสร้างอยู่บนพื้นผิวควบคุมแบบ 86-tag คุณก็มีระบบที่คุณสามารถใช้เหตุผลกับผลลัพธ์ได้ การควบคุมด้วยคำสั่งมีความสามารถมากกว่าแต่คาดเดาได้น้อยกว่า และต้นทุนในการย้ายระบบก็เป็นเรื่องจริง

เมื่อไม่มีอะไรในการอัปเกรดที่เกี่ยวข้องกับภาระงานของคุณเลย หากคุณสังเคราะห์เสียงภาษาจีนกลางและภาษาอังกฤษในปริมาณปานกลาง ด้วยเสียงอ้างอิงที่สะอาดและชุดแท็กการพูดที่ตายตัว การถ่ายโอนทิมเบรข้ามภาษา ความทนทานต่ออินพุตที่มีเสียงรบกวน และภาษาอีกเจ็ดภาษาที่เพิ่มเข้ามา ล้วนเป็นการแก้ปัญหาที่คุณไม่มี รับส่วนลดราคาไป แล้วเก็บโมเดลเดิมไว้

รันทั้งคู่โดยไม่ต้องรันอินทิเกรชันสองรายการ

ส่วนที่ยุ่งยากของการสลับจากรุ่นหนึ่งไปยังอีกรุ่นหนึ่งคือคุณมักต้องการให้โมเดลทั้งสองทำงานพร้อมกัน — 3.0 สำหรับเส้นทางการใช้งานจริงที่มีคะแนนอยู่เบื้องหลัง, 3.1 สำหรับภาษาใหม่และฟีเจอร์การโอนย้าย, และวิธีในการย้ายทราฟฟิกระหว่างทั้งสองโดยไม่ต้องดีพลอยใหม่ ทั้งคู่เป็น API โฮสต์แบบปิดบน Alibaba Cloud Model Studio ดังนั้นจึงมีสองเอนด์พอยต์ สองขีดจำกัดอัตรา และสองโหมดความล้มเหลวอยู่เบื้องหลังฟีเจอร์เดียว

หมายเหตุตามตรงว่าเราอยู่ตรงไหน: OrcaRouter ไม่ได้จัดเส้นทางให้ Qwen-Audio-3.1-TTS หรือโมเดล Qwen-Audio ใด ๆ และเราไม่ได้จัดเส้นทางไปยัง speech endpoint ของ Alibaba เลยด้วยซ้ำ สิ่งที่เราให้คือเลเยอร์ text-inference ที่ครอบ pipeline แบบนี้ — คีย์ API เดียวใช้ได้กับโมเดลกว่า 200 ตัว โดยบวกเพิ่ม 0% ราคาตามรายการของผู้ให้บริการส่งผ่านตรง ๆ ดังนั้นเมื่อผู้ขายลดราคา ฝั่งเราก็ได้ราคานั้นในวันเดียวกัน ไม่ต้องรอรอบปรับราคาใหม่ หากบริการที่ขับเคลื่อน pipeline เสียงของคุณเป็นตัวสร้างสคริปต์ ตัวสรุปความ หรือตัววางแผนเนื้อหา นั่นหมายถึงสัญญาเดียวแทนที่จะเป็นหลายฉบับ failover อัตโนมัติเมื่อต้นทางมีปัญหา และ routing DSL สำหรับประกอบโมเดลต่าง ๆ ให้เป็นการเรียกครั้งเดียว นั่นไม่ได้หมายความว่าคุณเรียกเสียงของ Qwen ผ่านเรา และหน้าเว็บใดที่บอกเป็นอย่างอื่นก็ให้ข้อมูลผิดเกี่ยวกับแคตตาล็อกของเราเอง

บทสรุปที่ซื่อสัตย์

Qwen-Audio-3.1-TTS เป็นการอัปเกรดที่แท้จริง ด้วยสิ่งที่เพิ่มเข้ามาสำคัญ 3 อย่าง — การควบคุมการเปล่งเสียงตามคำสั่ง การถ่ายโอนคุณภาพเสียงข้ามภาษา และความทนทานต่อเสียงอ้างอิงที่แย่ — บวกกับการลดราคาที่มีค่ามากกว่าสิ่งเหล่านั้นทั้งหมด Qwen-Audio-3.0-TTS ไม่ได้ถูกแทนที่ในแบบที่โมเดลอายุสองเดือนมักถูกแทนที่: มันยังคงรักษาคะแนน benchmark อิสระที่รุ่นถัดไปยังไม่ได้รับไว้ได้ และยังครอบคลุมกลุ่มภาษาถิ่นจีนซึ่งเป็นสิ่งที่ความแตกต่างส่วนใหญ่ของตระกูลนี้ต้องพึ่งพา

ดังนั้น การตัดสินใจจึงแคบกว่าที่การตลาดบอกเป็นนัย หากคุณสร้างเสียงในปริมาณมาก การเปลี่ยนแปลงด้านราคาก็มีผลกับคุณอยู่แล้ว หากคุณต้องการภาษาใหม่ ๆ หรือการถ่ายโอนทิมเบรอร์ ให้ย้ายระบบและตรวจสอบฟีเจอร์นั้นกับเสียงของคุณเองก่อน หากคุณต้องการตัวเลขคุณภาพที่ยืนยันได้ ให้รอจนกว่า Qwen-Audio-3.1-TTS จะปรากฏบนเวทีทดสอบการฟังแบบไม่เปิดเผยตัวตน — นั่นคือเหตุการณ์เดียวที่จะชี้ขาดเรื่องนี้ และจนกว่ามันจะเกิดขึ้น จุดยืนที่ซื่อสัตย์คือโมเดลใหม่กว่าคือตัวที่ถูกกว่า และโมเดลเก่ากว่าคือตัวที่พิสูจน์แล้ว