阿里云在百炼平台上的 Qwen-Audio-3.1-TTS 是一组面向语音合成与音频生成的大模型,按场景拆成 Plus、Flash、Next 三个子型号:Plus 主打高质量语音合成,Flash 面向低延迟实时交互并支持流式合成,Next 则是统一音频生成模型,可一次生成人声、音效和环境音。计费方式为 API 按量付费,公开页面没有单独的订阅套餐:Plus 按输入文本字符数计费,Flash 和 Next 按输入、输出 Token 分别计费,新开通用户在 90 天有效期内享有对应免费额度。选型时先看场景 —— 语音助手、实时对话、智能客服选 Flash;专业配音、自然度和表现力要求高选 Plus;短视频、播客、影视游戏声景制作选 Next。下面把定位划分、能力边界、接口方式、价格口径和选型建议逐项拆开。
一、家族定位:三款子模型分别解决什么问题
| 子模型 | 定位 | 输入 / 输出 | 典型场景 |
|---|---|---|---|
| qwen-audio-3.1-tts-plus | 高质量语音合成,侧重音质、自然度和表现力 | 文本输入 → 音频输出 | 专业配音、内容朗读、对音色表现要求较高的场景 |
| qwen-audio-3.1-tts-flash | 实时交互高性能 TTS,重点优化低延迟与流式合成 | 文本输入 → 音频输出 | 语音助手、实时对话、智能客服等低延迟交互场景 |
| qwen-audio-3.1-tts-next | 统一音频生成(Audiogen),不局限于单一语音合成 | 文本、时间戳、参考音频输入 → 音频输出 | 内容创作、短视频、播客、影视剧声景、游戏音频制作 |
分工逻辑
- Plus 与 Flash 属于传统 TTS 路线,把文本转成语音;Next 扩展到完整音频内容生成,可围绕文本、时间戳和参考音频一次产出人声、多人对话、音效、环境音等综合声景。
- Flash 与 Plus 同属语音合成,差别在优化方向:Flash 压延迟、保实时;Plus 保质量、保细节表现力。
- Next 的能力边界超出普通 TTS,更接近音频生成工作台,适合需要声景编排的创作类业务。
二、核心能力与特征
通用语音合成能力
- 支持多种语言和中文方言(具体语种 / 方言清单以百炼控制台音色列表为准)。
- Free-style 指令遵循:可通过自然指令控制表达风格。
- 细粒度标签控制:可调节情绪、语气、角色、语速、音量等表达方式。
- 声音复刻鲁棒性:对含有噪声、混响的参考音频适应性更强,音质、清晰度和整体表现力有所提升。
分型号能力要点
| 能力项 | Plus | Flash | Next |
|---|---|---|---|
| 输入模态 | 文本 | 文本 | 文本、参考音频、时间戳 |
| 输出模态 | 音频 | 音频 | 音频(人声 / 音效 / 环境音等) |
| 流式合成 | 页面未标注 | 支持 | 面向综合声景生成 |
| 多人对话 / Podcast | 未标注 | 未标注 | 支持 |
| 影视声景 / 环境音 / 音效 | 不支持 | 不支持 | 支持 |
| Function Calling | 不支持 | 不支持 | 未标注 |
| 结构化输出 | 不支持 | 不支持 | 未标注 |
| 联网搜索 | 不支持 | 不支持 | 未标注 |
| 模型调优 / 批量推理 | 不支持 | 未标注 | 未标注 |
接口与限流
- Flash 支持 WebSocket 接入、AoQ 接入和非实时 HTTP API;公开限流为 180 RPM(每分钟请求数),华北 2(北京)与新加坡地域口径一致。
- 其余型号接入方式以百炼控制台和开发者文档为准。
三、价格与免费额度(百炼公开原价口径)
计费规则总览
- Plus:按输入文本字符数计费,输出不计费。
- Flash:按输入 Token 和输出 Token 分别计费。
- Next:按输入 Token 和输出 Token 分别计费。
- 音频 Token 换算:每 1 秒音频对应 25 个 Token,不足 1 秒按 25 个 Token 计算。
- 免费额度有效期:自开通百炼或模型发布之日起 90 天内(以较晚者为准);免费额度仅适用于华北 2(北京)地域,其他地域无免费额度。
- 以下为模型调用原价,不含限时优惠,活动价格以百炼控制台为准。
华北 2(北京)价格
| 模型 ID | 计费项 | 单价 | 免费额度 |
|---|---|---|---|
| qwen-audio-3.1-tts-plus | 语音合成(按输入字符) | 1.4 元 / 万字符 | 1 万字符 |
| qwen-audio-3.1-tts-flash | 输入 | 1.5 元 / 百万 Token | 100 万 Token |
| qwen-audio-3.1-tts-flash | 输出 | 12 元 / 百万 Token | — |
| qwen-audio-3.1-tts-next | 输入 | 6 元 / 百万 Token | 100 万 Token |
| qwen-audio-3.1-tts-next | 输出 | 12 元 / 百万 Token | — |
国际 / 新加坡地域价格
| 模型 ID | 计费项 | 单价 |
|---|---|---|
| qwen-audio-3.1-tts-plus | 语音合成(按输入字符) | 2.19 元 / 万字符 |
| qwen-audio-3.1-tts-flash | 输入 | 1.677 元 / 百万 Token |
| qwen-audio-3.1-tts-flash | 输出 | 13.636 元 / 百万 Token |
| qwen-audio-3.1-tts-next | 输入 | 6.781 元 / 百万 Token |
| qwen-audio-3.1-tts-next | 输出 | 5.104 元 / 百万 Token |
相关声音复刻计费
- qwen-voice-enrollment(声音复刻)按新建音色个数计费,0.01 元 / 音色,免费额度 1000 个音色 / 账号;创建失败不计费、不占用免费次数,删除音色不恢复免费次数。
关于 "订阅价格" 的说明
公开百炼定价页面以按量付费为主,未列出独立的月度 / 年度订阅套餐;企业若有大规模调用、专属部署或商务包量需求,需联系阿里云商务获取报价。成本测算时要同时计入输入文本 Token、输出音频 Token(按秒折算)和声音复刻数量,不要只按字符单价估算。
四、选型与接入步骤
- 明确场景:先判断是实时对话交互、高质量朗读,还是综合声景创作,对应选择 Flash、Plus 或 Next。
- 核对语种与音色:在百炼控制台音色列表中确认目标语言、方言和系统音色是否覆盖业务人群。
- 准备测试文本:用业务真实话术测试情绪、语气、语速、音量控制效果,以及噪声 / 混响参考音频下的复刻稳定性。
- 确认接入方式:实时场景优先 WebSocket;非实时批量配音可走 HTTP API;记录 RPM 限流是否满足峰值并发。
- 测算成本:按日均文本量、音频秒数、音色数量和地域(北京 / 国际)估算 Token 与字符费用,对照免费额度抵扣后再评估付费区间。
- 上线灰度:先在小流量场景验证延迟、音质和转写一致性,再逐步扩大调用量。
五、与上一代及其他 TTS 型号的关系(公开口径)
- Qwen-Audio-3.0-TTS 系列仍在售:3.0-tts-plus 为 1.4 元 / 万字符,3.0-tts-flash 为 1 元 / 万字符,均无免费额度;国际地域价格另计。
- 千问 3-TTS 系列为独立产品线:qwen3-tts-flash 北京地域 0.8 元 / 万字符、免费 1 万字符;实时型号 qwen3-tts-flash-realtime 为 1 元 / 万字符。
- 选型时不要只看版本号,要核对计费单位(字符 vs Token)、输出是否计费、流式支持和场景匹配度。
六、整体判断
Qwen-Audio-3.1-TTS 家族用 Plus/Flash/Next 三档覆盖了从高质量配音、实时语音交互到综合音频生成的完整链条:Flash 靠流式和低延迟守住对话类场景,Plus 守住音质与表现力,Next 把能力边界扩展到声景制作。价格上以百炼按量付费为基础,Flash 和 Next 按 Token 计费、Plus 按字符计费,新用户有 90 天免费额度,国际地域单价不同。落地时建议先用真实业务文本和参考音频做对比试听,确认语种覆盖、控制粒度和延迟达标后,再按场景型号接入并核算长期调用成本。
【相关 FAQ】
问题 1:阿里云 Qwen-Audio-3.1-TTS 有哪些型号,分别定位什么场景?
回答 1:Qwen-Audio-3.1-TTS 包含三款子模型:qwen-audio-3.1-tts-plus 主打高质量语音合成,适合专业配音和高表现力朗读;qwen-audio-3.1-tts-flash 面向低延迟实时交互,支持流式合成,适合语音助手、实时对话和智能客服;qwen-audio-3.1-tts-next 是统一音频生成模型,可生成人声、多人对话、音效和环境音,适合短视频、播客、影视和游戏音频制作。
问题 2:Qwen-Audio-3.1-TTS 支持哪些语音合成能力?
回答 1:该家族支持多种语言和方言,具备 Free-style 指令遵循和细粒度标签控制,可调节情绪、语气、角色、语速、音量;声音复刻场景对噪声、混响参考音频有更强鲁棒性。Flash 额外支持流式语音合成和 WebSocket/AoQ/HTTP API 接入,Next 支持围绕文本、时间戳和参考音频生成综合声景。
问题 3:Qwen-Audio-3.1-TTS 怎么收费,有没有订阅套餐?
回答 1:百炼公开口径为按量付费,未列出独立订阅套餐:Plus 按输入字符计费 1.4 元 / 万字符(北京),Flash 按输入 1.5 元 / 百万 Token、输出 12 元 / 百万 Token 计费,Next 按输入 6 元 / 百万 Token、输出 12 元 / 百万 Token 计费;新用户有 90 天免费额度,国际地域单价不同。声音复刻 0.01 元 / 音色,免费 1000 个音色 / 账号,大规模包量需联系阿里云商务。
问题 4:Flash 版本为什么适合智能客服和实时对话,接口限流是多少?
回答 1:Flash 重点优化实时合成体验,支持流式语音合成,可在对话过程中边生成边播放,降低等待感;接口支持 WebSocket、AoQ 和非实时 HTTP API,公开限流为 180 RPM。语音助手、实时对话、智能客服等低延迟场景优先选 Flash,专业高质量朗读再对比 Plus。
问题 5:接入 Qwen-Audio-3.1-TTS 前需要核验哪些事项?
回答 1:先核验目标语言和方言是否在百炼音色列表内,再用真实业务文本测试情绪、语速、语气控制和参考音频复刻稳定性;确认接入方式(WebSocket/HTTP)、RPM 限流能否覆盖峰值;按文本字符、音频秒数(每秒 25 Token)和复刻音色数量测算成本,对照免费额度和地域单价后再灰度上线。
【参考资料】
- [2026-11-18](阿里云百炼模型价格)阿里云帮助中心
- [2026-11-06](qwen-audio-3.1-tts-flash 模型信息)阿里云帮助中心
- [2026-11-06](qwen-audio-3.1-tts-plus 模型信息)阿里云帮助中心
- [2026-11-06](qwen-audio-3.1-tts-flash)Alibaba Cloud 帮助中心
- [2026-10-30](qwen-audio-3.1-tts-next 模型信息)阿里云帮助中心
- [2026-10-29](qwen3-tts-flash 模型信息)阿里云帮助中心
- [2026-10-21](Qwen-Audio-3.1-TTS 模型市场详情)阿里云百炼控制台
- [2026-09-17](Qwen-Audio-3.1-TTS-Flash 实时语音合成大模型上线)阿里云产品动态
- [2026-05-15](阿里云百炼模型价格 - 开发者参考)阿里云帮助中心
【免责声明】
本文基于 2026 年 11 月 19 日及之前阿里云百炼公开文档和产品页面整理。文中模型定位、能力项、语种支持、接口方式、限流值和价格均以官方文档与百炼控制台实时展示为准;免费额度有效期、地域差价和限时优惠可能调整,音频 Token 换算和实际费用受文本长度、音频时长、音色数量及模型版本影响。本文不构成 API 采购建议或成本承诺,企业接入前请以官方合同、账单明细和商务报价为准。
本文来自作者[云隧信标]投稿,不代表新新网立场,如若转载,请注明出处:https://www.xxcmw.com/rgzn/202611/4485.html
评论列表(4条)
我是新新网的签约作者“云隧信标”!
希望本篇文章《阿里云 Qwen-Audio-3.1-TTS 解析三款子模型定位、语音合成能力与百炼计费价格》能对你有所帮助!
本站[新新网]内容主要涵盖:互联网行业的追踪与探索
本文概览:阿里云在百炼平台上的 Qwen-Audio-3 1-TTS 是一组面向语音合成与音频生成的大模型,按场景拆成 Plus、Flash、Next 三个子型号:Plus