一张生成的标题卡,主标题为“你实际调用的是哪一档?”,下方一行文字为“Qwen-Audio-3.1 是包含九个模型 ID 的系列,而非单一端点”;九个标签分三行、每行三个,分别为 tts-plus、tts-flash、tts-next、realtime-plus、realtime-flash、asr-flash、asr-flash-streaming、asr-flash-filetrans 和 asr-flash-message;说明文字为“按阶段列出,2026 年 9 月 20 日至 10 月 27 日”;页脚注明 Alibaba Cloud Model Studio。OrcaRouter 标志合成在右下角。
Guides & Insights

Qwen-Audio-3.1-TTS-Plus 对比 Qwen-Audio-3.1:一个是模型,另一个是徽章

作者

jinhao.song

发布日期

最新模型 · 20查看全部模型 →
基准测试:Artificial Analysis · 每日更新
返回全部文章

简短回答:你无法调用 Qwen-Audio-3.1,因为并不存在这个模型。存在的是 Qwen-Audio-3.1 系列——包含九个模型 ID,Alibaba Cloud Model Studio 分别记录了它们,发布日期不同、价格不同、音色列表也不同——而 Qwen-Audio-3.1-TTS-Plus 是该系列中的高端成员,列在 Alibaba 于 2026 年 10 月 21 日的发布说明中,距离该系列首个 ID 在 9 月 20 日出现已过去五周。大多数人在支持工单中写下“Qwen-Audio-3.1”时,实际想指的是它的兄弟型号 Qwen-Audio-3.1-TTS-Flash,即通用文本转语音档位。这两者做的是同一件事,只是价格不同。下文全部内容都关于如何在两者之间选择,以及关于那个昂贵型号做不到而便宜型号能做到的唯一地方。

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.

首先,这九个 ID

阿里巴巴自家的发布说明是最清楚的依据,而它们与你从一篇新闻报道中得到的印象相矛盾。并不存在某个单一的发布日。这个系列是在五周时间里一点一点到齐的,而且至今仍在陆续登场。

• qwen-audio-3.1-realtime-plus — 于 2026 年 9 月 20 日同时在新加坡和北京上线。支持全双工语音对语音对话,并具备语音克隆功能。

• qwen-audio-3.1-asr-flash,连同其 -streaming、-filetrans 和 -message 变体——于 2026 年 9 月 21 日上架。四个识别端点,而非一个:短音频、流式、离线文件转写,以及一个优化的语音消息变体。

• q​wen-audio-3.1-tts-next — 于 2026 年 9 月 21 日在北京、2026 年 10 月 22 日在新加坡列出。A​libaba 将其描述为“AudioGen”模型:语音、音效和环境声可基于文本、时间戳和参考音频一次性生成。它并非通常意义上的 TTS 层级。

• q​wen-audio-3.1-tts-flash — 于 2026 年 10 月 12 日在两个区域上架。面向助手、实时对话和客户服务的流式语音合成。

• qwen-audio-3.1-tts-plus — 于 2026 年 10 月 21 日在两个地区上线。为高端音色和内容创作提供高质量语音合成,其语音克隆据称对嘈杂的参考音频更具鲁棒性。

• q​wen-audio-3.1-realtime-flash — 于 2026 年 10 月 27 日上线。更便宜的双工层级,具有 262,144 个 token 的上下文窗口、函数调用和网络搜索功能。

把这些日期相互对照,框架问题就一目了然了。九月下旬的“Qwen-Audio-3.1 发布”涵盖的是识别和实时层级;大多数文章真正谈论的两个文本转语音层级直到十月才出现。如果你在发布公告那一周基于该系列构建,Plus 层级当时还不在其中。

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.

没人会做的对比,以及真正决定结果的那一个

Plus 与 Flash 是该产品家族中唯一真正对等的组合。两者都接收文本、返回音频、通过同一账户计费,并处于相同的公开上限之下。它们的差异并不是档位名称所暗示的那些差异。

• 音色——qwen-audio-3.1-tts-plus 有四个。阿里巴巴为其正好发布了四个旗舰系统音色:longanlingxin_v3.1、xunanchuan_v3.1、longanhuan_v3.1 和 longanfengyue_v3.1,其中三个女声、一个男声。qwen-audio-3.1-tts-flash 则拥有完整目录:多语音色覆盖八种汉语方言,以及日语、韩语、法语、德语、葡萄牙语、意大利语、越南语和印尼语;一长串普通话高级音色;冰岛语、马耳他语、斯瓦希里语、哈萨克语、乌克兰语等更多语言的其他语言音色;还有十五种标明了具体口音的英语音色——Emily、Luna、Eric 和 Luca 为英式口音,Abby、Annie、Ava、Beth、Betty、Cally、Cindy、Donna、Andy、Brian 和 David 为美式口音。

• 计费单位——Plus 按输入字符计费,输出不收费。Flash 按 token 计费,输入和输出分别计费;在新加坡,每百万 token 分别为 $0.23 和 $1.87,在北京则为 $0.212 和 $1.696。

• 价目表 — Plus 在新加坡为每 10,000 个字符 0.30 美元,在北京为 0.20 美元。Flash 没有按字符计费的数字,因为它的单位是 token。

• 字符计数:如果你使用的是 Plus,一个中文、日文或韩文字符计为两个;一个拉丁字母、数字、标点符号或空格计为一个。SSML 标签不计入。你好 是四个字符。

• 速率限制——两者在两个区域均为每分钟 180 次请求。该上限并不区分它们。

• 输出 — 两者均支持 PCM、WAV、MP3 或 O​pus,采样率最高可达 48 kHz。非流式请求会返回一个有效期为 24 小时的 URL;流式请求则返回数据块。如果上一个任务结束后 60 秒内没有新任务开始,连接将关闭。

• 免费额度——在新加坡,Plus 和 Flash 分别可获得 1,000,000 个免费字符和 1,000,000 个免费 Token,自激活、模型发布或申请获批之日起 90 天内有效。

真正重要的是第一行,而它与命名相矛盾。名为 Plus 的层级有四种音色。名为 Flash 的层级才拥有这些音色,包括 A​libaba 在整个这一产品家族中发布的唯一英式口音英语音色。

被测模型并不是那个会说英式英语的模型。

Qwen-Audio-3.1-TTS-Plus 是该系列中唯一拥有独立评分的成员,而且它有三项。在 Artificial Analysis 的 Controlled Voice 竞技场中,每位参赛者都合成相同的八个克隆参考语音;它以 1,179.08 Elo 在 49 个中排名第二,落后于 HeyGen Voice 的 1,188.52,领先于 HeyGen Voice Turbo 的 1,172.56——前两名的区间重叠,因此在该榜单上,第二名和第一名在统计上并未区分开。按口音划分(11 月 7 日),它在美式英语中以 1,207.07 在 49 个中排名第一,在英式英语中以 1,136.72 排名第五。在 Provider Voice 竞技场中,每个供应商提供自己的原生语音;它以 1,303 在 104 个中排名第三,落后于 Eleven v4 的 1,339 和 Eleven v4 Turbo 的 1,335。

现在把这一点放在语音列表旁边看。一个读到“在美式英语中排名第一”并订购 Plus 套餐的团队,买到的是一个只有四种音色的模型。如果产品需要英式女声——这是英语消费级语音工作中最常见的单一需求——Plus 套餐并没有。Flash 有,而且有四种。而 Flash 在两个竞技场上都没有得分,所以没有什么可与 1,207 相比。

这就是这场对比中的陷阱,而且它是结构性的,而非一个缺陷。A​libaba 在竞技场中只进入了一个层级。它进入的是高端层级,因为那才是值得做基准测试的层级。对买家而言,后果并不对称:有数字的模型处理不了口音,而能处理口音的模型没有数字。仅凭排名来做选择,会把这一点弄反。

诚实地核算成本

对这两者进行的所有比较,都试图用一种价格减去另一种价格。这种减法并不成立。Plus 按字符计价;Flash 按 token 计价,且音频在输出侧计费。该模型没有公布字符到 token 的换算比例,因此任何单一的“Flash 便宜 X%”说法都是凭空编造的。

可以说的是风险在哪里。Flash 在新加坡的输出速率是输入速率的八倍,在北京也是八倍,因此对于任何实际长度的片段,音频在 Flash 账单中都占主导,而输出 token 的数量取决于模型决定说多久。Plus 则完全没有输出费用:账单只取决于你发送的脚本,别无其他。对于长度已知的固定脚本,对两者都建模并测量——免费额度足以覆盖。对于节奏由模型自行决定的任何场景,仅为了可预测性,Plus 按字符计费的固定价格就值得支付,而且这个理由与质量无关。

关于公开数字,有一个结构性警告。Controlled Voice 竞技场将 Plus 档列为每百万字符 19.31 美元。阿里巴巴的计费页面在新加坡列出每百万 30.00 美元,在北京列出 20.00 美元。竞技场的数字低于两者,并且与上一代在北京的费率 qwen-audio-3.0-tts-plus 每万字符 0.19253 美元非常接近。从外部无法判断这是过时的映射还是未公布的费率。请按你实际调用的区域做预算。

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.

该选择在管道中如何解析

在实践中,大多数团队都需要这两个层级,因此决策变成了运营层面的问题,而不是商业层面的问题。一个具体的运作示例是:语音请求携带一个区域设置和一个语音 ID;语音 ID 决定层级,因为目录就是这样定义的;层级决定端点;故障转移策略则决定当所选端点在处理四万个音频片段的批次进行到一半时发生降级该怎么办。

这是一个路由问题,而它正是 OrcaRouter 为此打造的那一层——一种路由 DSL,把语音到层级的映射表达为配置而不是分支代码,自动故障转移,让发生故障的上游将请求交给第二个引擎而不是丢失片段,且一个 API 密钥覆盖 200 多个模型因此 Q​wen 语音环节以及你与之融合的任何内容,都位于单一凭证和单一价格基础之后,提供商标价以 0% 加价透传。这个边界值得明确说明:OrcaRouter 不托管 A​libaba 的语音模型。该规则中的 Q​wen 环节是供应商自己的 API。我们提供的是密钥、规则和故障转移。

花钱前的检查清单

确认 ID,而不是层级名称。Plus 意味着更少的声音和按字符计费。Flash 意味着目录和按 token 计费。Next 意味着声音场景。这些词都不能描述模型实际做什么。

• 先查看语音列表,再看费率卡。没有的语音就谈不上价格,而你可能需要的口音或许只存在于你正要跳过的那一档中。

• 检查区域。新加坡和北京在该系列中的每一项价格上都不同,而英语高级语音是 Alibaba 文档记载为两地均可用的唯一类别。

• 将排行榜上的名次视为仅代表单个成员的名次。Q​wen-Audio-3.1-TTS-Plus 的 1,179.08 既不能说明 q​wen-audio-3.1-tts-flash 的任何情况(后者不在任何一个竞技场中),也不能说明 q​wen-audio-3.1-tts-next 的任何情况,后者属于同一前缀下的另一个产品类别。

问问“9 月 23 日宣布”对你意味着什么。对 TTS 档位来说,这毫无意义:它们是在 10 月才被列出的。

来源,按提供者区分

• Artificial Analysis,数据读取于 2026 年 11 月 9 日 — Controlled Voice:Q​wen-Audio-3.1-TTS-Plus 1,179.08 Elo,在 49 个中排名第 2,区间 1,166.08–1,192.08;美式英语 1,207.07,在 49 个中排名第 1,1,190.07–1,224.07;英式英语 1,136.72,在 49 个中排名第 5,1,118.72–1,154.72;HeyGen Voice 汇总 1,188.52,美国 1,187.28,英国 1,181.55。Provider Voice:Q​wen-Audio-3.1-TTS-Plus 1,303,在 104 个中排名第 3。11 月 7 日这一按口音拆分发布日期属于 Artificial Analysis。

• Alibaba Cloud Model Studio,查阅日期:2026 年 11 月 9 日——各模型的发布日期来自模型生命周期与更新页面;价格、计费单位、字符计数规则和免费配额来自计费页面;180 RPM 来自速率限制页面;四款 Plus 旗舰音色和 Flash 音色目录(包括十五种带口音的英语音色和 51 种其他语言音色)来自 Qwen-Audio-TTS 音色列表页面。

上述所有来源中均未出现——3.1 语音系列的任何开放权重发布。Q​wen 的公开音频仓库止于 2024 年 7 月的 Qwen2-Audio,而 arena 将 Q​wen-Audio-3.1-TTS-Plus 记录为闭源权重。没有可下载的检查点,也没有自托管路径。

• 我方观点——观察到竞技场的价格栏低于两家已公布的供应商费率,认为无法进行字符到 token 的换算,以及声称所测档位正是没有英式英语语音的那一档。第一点尚未解决,第二点建立在缺少已公布换算比例的基础之上,第三点则可由供应商自己提供的两份语音列表推出。