
Qwen-Audio-3.1-TTS-Plus 與 Qwen-Audio-3.1:一個是模型,另一個是徽章
- Orca新OrcaCyber: Hy4 Flash Abliterated / Uncensored2026-11-18$0.07 / $0.28 每百萬 tokens · 187 tok/s
- openai新OpenAI: GPT-6.2 Astra2026-11-17$8.00 / $40.00 每百萬 tokens · 78 tok/s
- openai新OpenAI: GPT-6.2 Sol2026-11-17$2.00 / $10.00 每百萬 tokens · 154 tok/s
- tencent新Tencent: Hy4 Flash2026-11-16$0.02 / $0.07 每百萬 tokens · 204 tok/s
- Alibaba新Qwen: Qwen4 Max2026-11-16$1.50 / $4.50 每百萬 tokens · 88 tok/s
- Google新Google: Gemini 4 Carbon2026-11-10$2.00 / $10.00 每百萬 tokens · 705 tok/s
- Anthropic新Anthropic: Claude Fable 5.22026-11-09$8.00 / $40.00 每百萬 tokens · 248 tok/s
- OrcaOrcaCyber: GLM 5.3 Abliterated / Uncensored2026-11-04$3.00 / $5.00 每百萬 tokens · 97 tok/s
- OrcaOrcaCyber: Hy4 Abliterated / Uncensored2026-11-04$0.80 / $1.60 每百萬 tokens · 139 tok/s
- OrcaOrcaCyber: Kimi K3.1 Pro Abliterated / Uncensored2026-11-04$2.00 / $5.00 每百萬 tokens · 84 tok/s
- tencentTencent: Hy42026-11-04$0.83 / $2.50 每百萬 tokens · 123 tok/s
- OrcaOrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29$0.80 / $1.60 每百萬 tokens · 101 tok/s
- OrcaOrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 每百萬 tokens · 69 tok/s
- openaiOpenAI: GPT-6.1 Terra2026-10-26$1.00 / $5.00 每百萬 tokens · 35 tok/s
- OrcaOrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 89 tok/s
- OrcaOrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 每百萬 tokens · 38 tok/s
- MoonshotMoonshotAI: Kimi K3.1 Pro2026-10-2447智能
- OrcaOrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 每百萬 tokens · 230 tok/s
- minimaxMiniMax: M3.1 Flash2026-10-1929智能
- OrcaOrca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 每百萬 tokens · 101 tok/s
簡短回答:你無法呼叫 Qwen-Audio-3.1,因為根本沒有這個模型。存在的是 Qwen-Audio-3.1 系列——九個模型 ID,由 Alibaba Cloud Model Studio 分別記錄,發布日期不同、價格不同、語音清單也不同——而 Qwen-Audio-3.1-TTS-Plus 是其中的高階成員,列於 Alibaba 2026 年 10 月 21 日的發布說明中,距離該系列第一個 ID 於 9 月 20 日出現已有五週。大多數人在支援工單中寫下「Qwen-Audio-3.1」時,真正指的是其同系列成員 Qwen-Audio-3.1-TTS-Flash,也就是通用文字轉語音級別。這兩者做的是同一項工作,只是價格不同。以下內容全都在談如何在兩者之間選擇,以及唯一一個昂貴款做不到、便宜款卻做得到的地方。

首先,這九個 ID
Alibaba 自家的版本說明是最清楚的來源,而它們與你從新聞報導中得到的印象相互矛盾。並不存在單一的發布日。這一系列是在五週內分批推出的,而且這些部分至今仍在陸續推出。
• qwen-audio-3.1-realtime-plus — 於 2026 年 9 月 20 日在新加坡與北京同步上架。支援雙工語音對語音對話,並具備聲音克隆功能。
• qwen-audio-3.1-asr-flash,連同其 -streaming、-filetrans 與 -message 變體——於 2026 年 9 月 21 日列出。四個辨識端點,而非只有一個:短音訊、串流、離線檔案轉錄,以及一個經最佳化的語音訊息變體。
• qwen-audio-3.1-tts-next — 於2026年9月21日在北京列出,2026年10月22日在新加坡列出。Alibaba 將其描述為「AudioGen」模型:根據文字、時間戳與參考音訊,一次生成語音、音效與環境音。它並非一般意義上的 TTS 層級。
• qwen-audio-3.1-tts-flash — 已於 2026 年 10 月 12 日在兩個區域上架。適用於助理、即時對話與客戶服務的串流語音合成。
• qwen-audio-3.1-tts-plus — 於兩個地區皆於 2026 年 10 月 21 日上架。為頂級語音與內容創作提供高品質合成,其語音複製功能被描述為對嘈雜的參考音訊更具穩健性。
• qwen-audio-3.1-realtime-flash — 於 2026 年 10 月 27 日列出。價格較低的雙工層級,具備 262,144 個權杖的上下文視窗、函式呼叫與網頁搜尋功能。
把這些日期相互對照,框架問題就很明顯。九月底的「Qwen-Audio-3.1 發表」涵蓋了辨識與即時層級;大多數文章真正談到的兩個文字轉語音層級直到十月才出現。如果你在發表當週就針對這個系列進行建置,當時 Plus 層級還沒納入其中。

沒有人會做的比較,以及真正決定勝負的那一項
Plus 與 Flash 是同一系列中唯一可直接對比的組合。兩者都接受文字輸入、回傳音訊、透過同一個帳戶計費,且都受相同的公開上限所限制。差異並不是分級字眼所暗示的那些。
• 音色 — qwen-audio-3.1-tts-plus 有四款。Alibaba 為它發佈恰好四款旗艦系統音色:longanlingxin_v3.1、xunanchuan_v3.1、longanhuan_v3.1 和 longanfengyue_v3.1,其中三款女聲、一款男聲。qwen-audio-3.1-tts-flash 則有完整目錄:涵蓋八種中文方言以及日語、韓語、法語、德語、葡萄牙語、義大利語、越南語和印尼語的多語音色;一長串普通話高級音色;冰島語、馬爾他語、斯瓦希里語、哈薩克語、烏克蘭語等額外語言音色;以及十五款帶有具名口音的英語音色——Emily、Luna、Eric 和 Luca 為英式口音,Abby、Annie、Ava、Beth、Betty、Cally、Cindy、Donna、Andy、Brian 和 David 為美式口音。
• 計費單位 — Plus 依輸入字元計費,輸出免費。Flash 則依權杖(token)計費,輸入與輸出分開計算,新加坡為每百萬權杖 $0.23 與 $1.87,北京則為 $0.212 與 $1.696。
• 費率表 — Plus 在新加坡每 10,000 個字元收費 $0.30,在北京則為 $0.20。Flash 沒有每字元的價格,因為它的計價單位是 token。
字元計數:若你使用的是 Plus — 中文、日文或韓文字元計為兩個;拉丁字母、數字、標點符號或空格計為一個。SSML 標籤不計入。「你好」是四個字元。
• 速率限制 — 兩者在兩個區域皆為每分鐘 180 次請求。此上限並不區分兩者。
• 輸出 — PCM、WAV、MP3 或 Opus,取樣率最高可達 48 kHz,兩者皆支援。非串流請求會回傳有效期為 24 小時的 URL;串流則回傳資料區塊。若在上一個任務結束後 60 秒內沒有新任務開始,連線就會關閉。
• 免費額度 — Plus 與 Flash 在新加坡分別各提供 1,000,000 個免費字元或權杖(tokens),自啟用、模型發布或申請核准起 90 天內有效。
真正關鍵的是第一行,而它與命名相牴觸。名為 Plus 的等級有四種語音。名為 Flash 的等級才擁有這些語音,包括 Alibaba 在這個系列中於任何地方發佈的唯一英式口音英語語音。
被測量的模型並不是那個會說英式英語的模型。
Qwen-Audio-3.1-TTS-Plus 是該系列中唯一擁有獨立評分的成員,而且共有三項。在 Artificial Analysis 的 Controlled Voice 競技場中,每位參賽者都合成相同的八個複製參考語音,它以 1,179.08 Elo 排名第 2(共 49 名),落後 HeyGen Voice 的 1,188.52,領先 HeyGen Voice Turbo 的 1,172.56——前兩名的區間重疊,因此在該榜單上第 2 名與第 1 名在統計上未顯著區分。11 月 7 日按口音分項,它在美式英語以 1,207.07 排名第 1(共 49 名),在英式英語以 1,136.72 排名第 5。在 Provider Voice 競技場中,每家廠商提供自己的原生語音,它以 1,303 排名第 3(共 104 名),落後 Eleven v4 的 1,339 與 Eleven v4 Turbo 的 1,335。
現在把這一點放到語音清單旁邊看。一個團隊若看到「美國英語排名第一」而下單 Plus 方案,買到的是只有四種語音的模型。如果產品需要英國女性語音——這是英語消費級語音工作最常見的單一需求——Plus 方案並沒有。Flash 有,而且有四種。而 Flash 在兩個競技場上都沒有分數,所以沒有東西可以跟 1,207 相比。
那就是這場對決中的陷阱,而且它是結構性的,並非缺陷。Alibaba 在競技場中只報名了一個層級。它報名的層級是頂級層級,因為那才是值得做基準測試的層級。對買家而言,後果並不對稱:有數字的那個模型做不了口音,而能做口音的那個模型沒有數字。只憑排名來選擇,會把這件事完全弄反。
誠實地計算成本
每次比較這兩者時,都試圖把一個價格從另一個價格中減掉。這種相減並不成立。Plus 以字元計價;Flash 以 token 計價,且音訊計在輸出端。此模型沒有公布字元對 token 的比例,因此任何單一的「Flash 便宜 X%」說法都是憑空捏造。
可以確定的是風險落在何處。Flash 的輸出費率在新加坡是輸入費率的八倍,在北京也是八倍,因此在任何長度貼近實際的片段上,音訊都會主導 Flash 的帳單,而輸出 token 的數量取決於模型決定要說多久。Plus 則完全沒有輸出費用:帳單只取決於你送出的腳本,別無其他。對於長度已知的固定腳本,請對兩者做成本建模並實測——免費額度足以涵蓋。對於任何節奏由模型決定的事情,光是為了可預測性,Plus 按字元計價的固定價格就值得付,而這個理由與品質無關。
關於公開數字,有一個結構性警告。Controlled Voice 競技場將 Plus 方案列為每百萬字元 19.31 美元。Alibaba 的帳單頁面則在新加坡列出每百萬字元 30.00 美元,在北京為 20.00 美元。競技場的數字低於這兩者,且與前一代在北京的費率 qwen-audio-3.0-tts-plus 每 1 萬字元 0.19253 美元密切吻合。我們無法從外部判斷這是過時的對應關係,還是未公布的費率。請依你實際呼叫的區域來編列預算。

此選擇在管線中如何解析
實務上,多數團隊兩種層級都需要,因此決策會變成營運問題,而不是商業問題。一個具體的運作樣貌是:語音請求會帶有地區設定和語音 ID;語音 ID 決定層級,因為目錄就是這樣運作的;層級決定端點;而容錯移轉政策則決定,當所選端點在四萬個音訊片段的批次進行到一半時效能下降,該怎麼辦。
這是個路由問題,而這正是 OrcaRouter 所打造的層級——一套路由 DSL,把語音到層級的對應表達成設定,而非分支程式碼,自動容錯移轉,讓故障的上游把請求交給第二個引擎,而不是丟失音訊片段,並且以一組 API 金鑰涵蓋 200 多個模型,讓 Qwen 語音環節以及你與之融合的任何模型,都位於單一憑證與單一計價基準之後,並以 0% 加價將供應商牌價原樣傳遞。這條界線值得明說:OrcaRouter 並不託管阿里巴巴的語音模型。該規則中的 Qwen 部分屬於供應商自家的 API。我們提供的是金鑰、規則與容錯移轉。
花任何錢前必看的檢查清單
• 確認 ID,而不是等級名稱。Plus 代表語音較少、以字元計費。Flash 代表目錄與以權杖計費。Next 代表音效場景。這些字眼都無法說明模型實際的功能。
• 請先查看語音清單,再看費率表。你沒有的語音並不構成價格,而你需要的口音可能只存在於你正打算略過的那個層級。
• 檢查區域。新加坡與北京在這個系列中的每一項價格都不相同,而英語高級語音是阿里巴巴文件中記載兩地皆有提供的一類。
• 將排行榜上的名次視為單一成員的名次。Qwen-Audio-3.1-TTS-Plus 的 1,179.08 分,完全無法說明 qwen-audio-3.1-tts-flash 的情況,後者不在任何一個競技場上;也完全無法說明 qwen-audio-3.1-tts-next 的情況,後者屬於相同前綴但不同產品類別。
• 問問「9 月 23 日宣布」對你而言意味著什麼。對 TTS 等級來說,這毫無意義:它們是在 10 月才被列出的。
來源,依提供者區分
• Artificial Analysis,讀取於 2026 年 11 月 9 日——Controlled Voice:Qwen-Audio-3.1-TTS-Plus 1,179.08 Elo,在 49 個項目中排名第 2,區間 1,166.08–1,192.08;美式英語 1,207.07,在 49 個項目中排名第 1,1,190.07–1,224.07;英式英語 1,136.72,在 49 個項目中排名第 5,1,118.72–1,154.72;HeyGen Voice 合併計分 1,188.52,美式 1,187.28,英式 1,181.55。Provider Voice:Qwen-Audio-3.1-TTS-Plus 1,303,在 104 個項目中排名第 3。11 月 7 日口音拆分版本的發布日期由 Artificial Analysis 提供。
• Alibaba Cloud Model Studio,查閱於 2026 年 11 月 9 日——各模型發布日期來自模型生命週期與更新頁面;價格、計費單位、字元計數規則與免費額度來自計費頁面;180 RPM 來自速率限制頁面;四個 Plus 旗艦語音與 Flash 語音目錄(包括十五個帶口音的英語語音及 51 個其他語言語音)來自 Qwen-Audio-TTS 語音清單頁面。
• 上述所有來源皆未提供——3.1 語音系列的任一開放權重發佈。Qwen 的公開音訊儲存庫止於 2024 年 7 月的 Qwen2-Audio,而競技場將 Qwen-Audio-3.1-TTS-Plus 記錄為閉源權重。既沒有可下載的檢查點,也沒有自架路徑。
• 我方——「arena 的價格欄低於兩家供應商各自公布的費率」這項觀察、「字元到 token 的換算無法進行」這項論點,以及「實測層級就是沒有英式英語語音的那個層級」這項說法。第一項尚無定論,第二項建立在缺乏公開換算比例之上,第三項則可由供應商自家的兩份語音清單推得。
