Một thẻ tiêu đề được tạo với nội dung "Bạn thực sự đang gọi tier nào?" phía trên dòng "Qwen-Audio-3.1 là một họ gồm chín model id, không phải một endpoint", với chín chip xếp thành ba hàng, mỗi hàng ba chip, ghi tts-plus, tts-flash, tts-next, realtime-plus, realtime-flash, asr-flash, asr-flash-streaming, asr-flash-filetrans và asr-flash-message, chú thích "Được liệt kê theo từng giai đoạn, 20 tháng 9 đến 27 tháng 10 năm 2026", và phần chân trang ghi nguồn Alibaba Cloud Model Studio. Logo OrcaRouter được ghép ở góc dưới bên phải.
Guides & Insights

Qwen-Audio-3.1-TTS-Plus vs Qwen-Audio-3.1: Một bên là mô hình, bên kia chỉ là huy hiệu

Tác giả

jinhao.song

Ngày đăng

Mô hình mới nhất · 20Xem tất cả mô hình →
Benchmark: Artificial Analysis · cập nhật hằng ngày
Quay lại tất cả bài viết

Câu trả lời ngắn gọn: bạn không thể gọi Qwen-Audio-3.1, vì không có mô hình nào như vậy. Có một họ Qwen-Audio-3.1 — chín ID mô hình mà Alibaba Cloud Model Studio ghi tài liệu riêng, vào các ngày phát hành khác nhau, với mức giá khác nhau và danh sách giọng nói khác nhau — và Qwen-Audio-3.1-TTS-Plus là thành viên cao cấp của họ này, được liệt kê trong ghi chú phát hành của Alibaba vào ngày 21 tháng 10 năm 2026, năm tuần sau khi ID đầu tiên của họ xuất hiện vào ngày 20 tháng 9. Mô hình anh em mà hầu hết mọi người thực sự muốn nói tới khi họ viết "Qwen-Audio-3.1" trong một phiếu hỗ trợ là Qwen-Audio-3.1-TTS-Flash, hạng chuyển văn bản thành giọng nói đa dụng. Hai mô hình đó cùng một công việc với mức giá khác nhau. Mọi thứ dưới đây là về việc chọn giữa chúng, và về một chỗ mà mô hình đắt tiền không thể làm được điều mô hình rẻ có thể làm.

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.

Đầu tiên, chín ID

Ghi chú phát hành của chính Alibaba là nguồn rõ ràng nhất, và chúng mâu thuẫn với ấn tượng bạn có được từ một bài báo. Không có một ngày ra mắt duy nhất. Dòng sản phẩm đã xuất hiện từng phần trong suốt năm tuần, và các phần vẫn đang tiếp tục đến.

• q​wen-audio-3.1-realtime-plus — được niêm yết ngày 20 tháng 9 năm 2026 tại cả Singapore và Bắc Kinh. Hội thoại giọng nói sang giọng nói song công, có tính năng nhân bản giọng nói.

• q​wen-audio-3.1-asr-flash, cùng với các biến thể -streaming, -filetrans và -message của nó — được liệt kê vào ngày 21 tháng 9 năm 2026. Bốn endpoint nhận dạng, không chỉ một: dạng ngắn, streaming, phiên âm tệp ngoại tuyến và một biến thể tin nhắn thoại được tối ưu hóa.

• qwen-audio-3.1-tts-next — được niêm yết ngày 21 tháng 9 năm 2026 tại Bắc Kinh, ngày 22 tháng 10 năm 2026 tại Singapore. Alibaba mô tả đây là một mô hình "AudioGen": giọng nói, hiệu ứng âm thanh và âm thanh nền được tạo trong một lần xử lý từ văn bản, dấu thời gian và âm thanh tham chiếu. Đây không phải là một tầng TTS theo nghĩa thông thường.

• q​wen-audio-3.1-tts-flash — có trong danh sách từ ngày 12 tháng 10 năm 2026 tại cả hai khu vực. Tổng hợp giọng nói dạng luồng cho trợ lý, hội thoại thời gian thực và dịch vụ khách hàng.

• q​wen-audio-3.1-tts-plus — được liệt kê vào ngày 21 tháng 10 năm 2026 tại cả hai khu vực. Tổng hợp chất lượng cao cho giọng nói cao cấp và sáng tạo nội dung, với tính năng nhân bản giọng nói được mô tả là có khả năng chịu nhiễu tốt hơn đối với âm thanh tham chiếu bị nhiễu.

• q​wen-audio-3.1-realtime-flash — được niêm yết ngày 27 tháng 10 năm 2026. Gói song công rẻ hơn, với cửa sổ ngữ cảnh 262.144 token, gọi hàm và tìm kiếm web.

Đối chiếu những ngày đó với nhau thì vấn đề về cách định khung là rõ ràng. Một đợt ra mắt Q​wen-Audio-3.1 vào cuối tháng 9 bao gồm các hạng nhận dạng và thời gian thực; hai hạng chuyển văn bản thành giọng nói mà phần lớn các bài viết thực sự đề cập thì mãi đến tháng 10 mới xuất hiện. Nếu bạn xây dựng dựa trên dòng sản phẩm này trong tuần công bố, thì bậc Plus vẫn chưa có trong đó.

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.

Phép so sánh không ai thực hiện, và phép so sánh định đoạt kết quả

Plus so với Flash là cặp tương đương duy nhất trong cùng dòng sản phẩm. Cả hai đều nhận văn bản, trả về âm thanh, tính phí qua cùng một tài khoản và cùng nằm dưới một mức trần đã công bố. Những khác biệt không phải là những gì mà các từ chỉ hạng ngụ ý.

• Giọng nói — q​wen-audio-3.1-tts-plus có bốn giọng. A​libaba công bố đúng bốn giọng hệ thống chủ lực dành cho mô hình này: longanlingxin_v3.1, xunanchuan_v3.1, longanhuan_v3.1 và longanfengyue_v3.1, ba giọng nữ và một giọng nam. q​wen-audio-3.1-tts-flash có danh mục: các giọng đa ngôn ngữ bao gồm tám phương ngữ Trung Quốc cùng tiếng Nhật, tiếng Hàn, tiếng Pháp, tiếng Đức, tiếng Bồ Đào Nha, tiếng Ý, tiếng Việt và tiếng Indonesia; một danh sách dài các giọng tiếng Quan Thoại cao cấp; các giọng cho ngôn ngữ bổ sung như tiếng Iceland, tiếng Malta, tiếng Swahili, tiếng Kazakh, tiếng Ukraina và hơn thế nữa; và mười lăm giọng tiếng Anh với các giọng vùng miền được đặt tên — Emily, Luna, Eric và Luca mang giọng Anh, còn Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian và David mang giọng Mỹ.

• Đơn vị tính phí — Plus được tính phí theo ký tự đầu vào và không tính phí đầu ra. Flash được tính phí theo token, đầu vào và đầu ra riêng biệt, với mức $0.23 và $1.87 mỗi triệu token ở Singapore và $0.212 và $1.696 ở Bắc Kinh.

• Bảng giá — Plus là 0,30 USD cho mỗi 10.000 ký tự tại Singapore và 0,20 USD tại Bắc Kinh. Flash không có mức giá theo ký tự, vì đơn vị của nó là token.

• Đếm ký tự: nếu bạn đang dùng gói Plus — một ký tự tiếng Trung, tiếng Nhật hoặc tiếng Hàn được tính là hai; một chữ cái Latinh, chữ số, dấu câu hoặc dấu cách được tính là một. Thẻ SSML không được tính. 你好 là bốn ký tự.

• Giới hạn tốc độ — 180 yêu cầu mỗi phút cho cả hai, tại cả hai khu vực. Mức trần không phân biệt chúng.

• Đầu ra — PCM, WAV, MP3 hoặc O​pus, tốc độ lấy mẫu lên đến 48 kHz, ở cả hai chế độ. Yêu cầu không truyền phát trả về URL có hiệu lực trong 24 giờ; truyền phát trả về các chunk. Kết nối sẽ đóng nếu không có tác vụ mới nào bắt đầu trong vòng 60 giây kể từ khi tác vụ trước kết thúc.

Hạn mức miễn phí — Plus và Flash lần lượt có 1.000.000 ký tự hoặc token miễn phí tại Singapore, có hiệu lực trong 90 ngày kể từ ngày kích hoạt, phát hành mô hình hoặc phê duyệt đơn đăng ký.

Dòng quan trọng là dòng đầu tiên, và nó đi ngược lại với cách đặt tên. Gói có tên Plus chỉ có bốn giọng. Gói có tên Flash có các giọng, bao gồm cả những giọng tiếng Anh mang chất giọng Anh duy nhất mà Alibaba phát hành ở bất kỳ đâu trong dòng sản phẩm này.

Mô hình được đo lường không phải là mô hình có thể nói tiếng Anh Anh.

Q​wen-Audio-3.1-TTS-Plus là thành viên duy nhất trong dòng sản phẩm có điểm số độc lập, và nó có ba điểm số như vậy. Trên đấu trường Controlled Voice của Artificial Analysis, nơi mọi thí sinh đều tổng hợp cùng tám giọng tham chiếu đã được nhân bản, nó xếp hạng 1.179,08 Elo, thứ hai trong số 49, xếp sau HeyGen Voice với 1.188,52 và xếp trên HeyGen Voice Turbo với 1.172,56 — hai khoảng của hai vị trí dẫn đầu chồng lấn, nên hạng nhì và hạng nhất chưa được phân tách về mặt thống kê trên bảng xếp hạng đó. Khi chia theo giọng vào ngày 7 tháng 11, nó đứng đầu trong số 49 ở tiếng Anh Mỹ với 1.207,07 và thứ năm ở tiếng Anh Anh với 1.136,72. Trên đấu trường Provider Voice, nơi mỗi nhà cung cấp cung cấp các giọng bản ngữ riêng, nó đứng thứ ba trong số 104 với 1.303, sau Eleven v4 với 1.339 và Eleven v4 Turbo với 1.335.

Giờ hãy đặt điều đó bên cạnh danh sách giọng nói. Một nhóm đọc “đứng đầu ở tiếng Anh Mỹ” và đặt gói Plus là đang mua một mô hình bốn giọng. Nếu sản phẩm cần một giọng nữ Anh — yêu cầu phổ biến nhất trong công việc giọng nói dành cho người tiêu dùng bằng tiếng Anh — thì gói Plus không có giọng đó. Flash thì có, bốn giọng. Và Flash không có điểm trên cả hai đấu trường, nên không có gì để so sánh với 1,207.

Đó chính là cái bẫy trong màn đối đầu này, và nó mang tính cấu trúc chứ không phải là một khiếm khuyết. A​libaba chỉ tham gia một hạng trong đấu trường. Hạng mà nó tham gia là hạng cao cấp, vì đó là hạng đáng để đánh giá chuẩn. Hệ quả đối với người mua không đối xứng: mô hình có con số thì không làm được giọng điệu, còn mô hình làm được giọng điệu lại không có con số. Chọn chỉ dựa trên thứ hạng sẽ hiểu ngược vấn đề.

Tính toán chi phí cho việc đó, một cách trung thực.

Mọi so sánh giữa hai mô hình này đều cố trừ giá này khỏi giá kia. Không thể thực hiện phép trừ đó. Plus được tính theo ký tự; Flash theo token, với âm thanh được tính ở phía đầu ra. Không có tỷ lệ quy đổi ký tự sang token nào được công bố cho mô hình này, nên bất kỳ tuyên bố đơn lẻ nào kiểu "Flash rẻ hơn X%" đều là bịa đặt.

Điều có thể nói là rủi ro nằm ở đâu. Tốc độ đầu ra của Flash gấp tám lần tốc độ đầu vào ở Singapore và gấp tám lần ở Bắc Kinh, vì vậy âm thanh chiếm phần lớn trong hóa đơn Flash với bất kỳ clip có độ dài thực tế nào, và số token đầu ra phụ thuộc vào việc mô hình quyết định nói trong bao lâu. Plus không có phí đầu ra nào cả: hóa đơn là một hàm của kịch bản bạn đã gửi, và không gì khác. Với các kịch bản cố định có độ dài đã biết, hãy mô hình hóa cả hai và đo — hạn mức miễn phí đủ để làm việc đó. Với bất kỳ trường hợp nào mà nhịp độ do mô hình tự chọn, mức giá cố định theo ký tự của Plus đáng để trả chỉ vì tính dự đoán được, và lập luận đó độc lập với chất lượng.

Một lưu ý mang tính cấu trúc về các con số công khai. Đấu trường Controlled Voice liệt kê gói Plus ở mức 19,31 USD mỗi triệu ký tự. Trang thanh toán của Alibaba liệt kê 30,00 USD mỗi triệu ở Singapore và 20,00 USD ở Bắc Kinh. Con số của đấu trường thấp hơn cả hai và gần khớp với mức giá Bắc Kinh của thế hệ trước, qwen-audio-3.0-tts-plus, ở mức 0,19253 USD mỗi 10.000 ký tự. Từ bên ngoài, chúng tôi không thể biết đó là ánh xạ cũ hay mức giá chưa được công bố. Hãy tính ngân sách dựa trên khu vực bạn thực sự gọi.

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.

Cách lựa chọn được xử lý trong một pipeline

Trong thực tế, hầu hết các nhóm cần cả hai hạng và quyết định trở thành vấn đề vận hành hơn là thương mại. Một ví dụ minh họa: yêu cầu giọng nói mang theo một locale và một voice ID; voice ID quyết định hạng, vì danh mục quy định như vậy; hạng quyết định endpoint; và chính sách chuyển đổi dự phòng quyết định điều gì xảy ra khi endpoint được chọn bị suy giảm giữa chừng trong một lô bốn mươi nghìn clip.

Đó là một bài toán định tuyến, và đó chính là lớp mà OrcaRouter được xây dựng để xử lý — một DSL định tuyến biểu diễn ánh xạ giọng nói sang tầng dưới dạng cấu hình thay vì mã phân nhánh, cơ chế chuyển đổi dự phòng tự động để khi upstream gặp lỗi sẽ chuyển yêu cầu sang engine thứ hai thay vì làm mất clip, và một khóa API duy nhất dùng cho hơn 200 mô hình để nhánh giọng nói Qwen và bất kỳ thành phần nào bạn kết hợp với nó đều nằm sau một thông tin xác thực duy nhất và một cơ sở giá duy nhất, với giá niêm yết của nhà cung cấp được chuyển qua với mức markup 0%. Ranh giới này đáng được nói rõ ràng: OrcaRouter không lưu trữ các mô hình giọng nói của Alibaba. Các nhánh Qwen trong quy tắc đó là API riêng của nhà cung cấp. Những gì chúng tôi cung cấp là khóa, quy tắc và cơ chế chuyển đổi dự phòng.

Danh sách kiểm tra trước khi bạn chi tiêu bất kỳ khoản nào

• Xác nhận ID, không phải tên gói. Plus nghĩa là ít giọng hơn và tính phí theo ký tự. Flash nghĩa là danh mục và tính phí theo token. Next nghĩa là cảnh âm thanh. Không từ nào trong số đó mô tả mô hình làm gì.

• Hãy kiểm tra danh sách giọng trước bảng giá. Một giọng mà bạn không có thì không phải là một mức giá, và giọng bạn cần có thể chỉ tồn tại ở hạng mà bạn sắp bỏ qua.

• Kiểm tra khu vực. Singapore và Bắc Kinh khác nhau ở mọi mức giá trong dòng sản phẩm này, và giọng đọc cao cấp tiếng Anh là hạng mục duy nhất mà A​libaba ghi nhận là có sẵn ở cả hai.

• Hãy coi thứ hạng trên bảng xếp hạng là thứ hạng của một thành viên. {{1}}Q​wen-Audio-3.1-TTS-Plus{{/1}} ở mức {{2}}1,179.08{{/2}} không nói lên điều gì về {{3}}q​wen-audio-3.1-tts-flash{{/3}}, sản phẩm không có mặt trên cả hai đấu trường, và cũng không nói gì về {{4}}q​wen-audio-3.1-tts-next{{/4}}, một danh mục sản phẩm khác có cùng tiền tố.

• Hãy hỏi xem “công bố ngày 23 tháng 9” có ý nghĩa gì với bạn. Đối với các gói TTS, điều đó chẳng có ý nghĩa gì: chúng được liệt kê vào tháng 10.

Các nguồn, được phân tách theo người đã cung cấp chúng

• Artificial Analysis, đọc ngày 9 tháng 11 năm 2026 — Giọng có kiểm soát: Q​wen-Audio-3.1-TTS-Plus 1,179.08 Elo, #2 trong số 49, khoảng 1,166.08–1,192.08; Tiếng Anh Mỹ 1,207.07, #1 trong số 49, 1,190.07–1,224.07; Tiếng Anh Vương quốc Anh 1,136.72, #5 trong số 49, 1,118.72–1,154.72; HeyGen Voice 1,188.52 gộp chung, 1,187.28 Mỹ, 1,181.55 Anh. Giọng của nhà cung cấp: Q​wen-Audio-3.1-TTS-Plus 1,303, #3 trong số 104. Ngày công bố bản tách theo điểm nhấn 7 tháng 11 là của Artificial Analysis.

• A​libaba Cloud Model Studio, đọc ngày 9 tháng 11 năm 2026 — ngày phát hành theo từng mô hình từ trang vòng đời mô hình và cập nhật; giá, đơn vị tính phí, quy tắc đếm ký tự và hạn mức miễn phí từ trang thanh toán; 180 RPM từ trang giới hạn tốc độ; bốn giọng chủ lực Plus và danh mục giọng Flash, bao gồm mười lăm giọng tiếng Anh có điểm nhấn và 51 giọng ngôn ngữ bổ sung, từ trang danh sách giọng Q​wen-Audio-TTS.

• Không có trong mọi nguồn ở trên — bất kỳ bản phát hành trọng số mở nào cho dòng giọng nói 3.1. Các kho âm thanh công khai của Q​wen chỉ dừng ở Qwen2-Audio, tháng 7 năm 2024, và arena ghi nhận Q​wen-Audio-3.1-TTS-Plus là trọng số đóng. Không có checkpoint nào để tải xuống và không có cách tự triển khai.

• Phía chúng tôi — quan sát rằng cột giá của arena nằm dưới cả hai mức giá đã công bố của nhà cung cấp, lập luận rằng không thể thực hiện chuyển đổi từ ký tự sang token, và khẳng định rằng bậc được đo là bậc không có giọng tiếng Anh Anh. Điểm thứ nhất vẫn chưa được giải quyết, điểm thứ hai dựa trên việc thiếu một tỷ lệ được công bố, và điểm thứ ba suy ra từ chính hai danh sách giọng nói của nhà cung cấp.