一張生成的標題卡,上方寫著「你實際呼叫的是哪個層級?」,下一行寫著「Qwen-Audio-3.1 是九個模型 ID 的家族,而非單一端點」,並有九個標籤分成三排、每排三個,分別寫著 tts-plus、tts-flash、tts-next、realtime-plus、realtime-flash、asr-flash、asr-flash-streaming、asr-flash-filetrans 和 asr-flash-message,說明文字為「分階段列出,2026 年 9 月 20 日至 10 月 27 日」,頁尾引用 Alibaba Cloud Model Studio。OrcaRouter 標誌合成於右下角。
Guides & Insights

Qwen-Audio-3.1-TTS-Plus 與 Qwen-Audio-3.1:一個是模型,另一個是徽章

作者

jinhao.song

發佈日期

最新模型 · 20查看全部模型 →
基準測試:Artificial Analysis · 每日更新
返回全部文章

簡短回答:你無法呼叫 Q​wen-Audio-3.1,因為根本沒有這個模型。存在的是 Q​wen-Audio-3.1 系列——九個模型 ID,由 A​libaba 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 Q​wen-Audio-3.1-TTS-Plus 是其中的高階成員,列於 A​libaba 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「Q​wen-Audio-3.1」時,真正指的是其同系列成員 Q​wen-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。

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,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。

• q​wen-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。A​libaba 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。

• q​wen-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。

• q​wen-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。

• q​wen-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「Q​wen-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。

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.

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 — q​wen-audio-3.1-tts-plus 有四款。A​libaba 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。q​wen-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 O​pus,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。

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.

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。Q​wen-Audio-3.1-TTS-Plus 的 1,179.08 分,完全無法說明 q​wen-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 q​wen-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:Q​wen-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:Q​wen-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。

• A​libaba 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 Q​wen-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。Q​wen 的公開音訊儲存庫止於 2024 年 7 月的 Q​wen2-Audio,而競技場將 Q​wen-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。