核心结论先说清楚: Qwen-Audio-3.1-TTS 是通义千问语音合成系列,同代分两条主力产品线:qwen-audio-3.1-tts-flash面向实时交互,主打流式合成与低延迟,适合语音助手、实时对话、智能客服;qwen-audio-3.1-tts-plus面向高质量语音生成,主打自然度、表现力和方言正宗度,适合有声书、影视配音、品牌声音设计。阿里云帮助中心 两者共享多语言多方言、free-style 自然语言指令遵循、细粒度标签控制、抗噪抗混响声音复刻这套底座,差别在 Flash 把预算花在 "快"、Plus 花在 "好"。价格口径完全不同:Plus 按字符计费、输出不计费,北京 1.4 元 / 万字符(赠 1 万字符),国际 2.19 元 / 万字符;Flash 按 Token 双端计费,北京输入 1.5 元、输出 12 元 / 百万 Token(赠 100 万 Token),国际输入 1.677 元、输出 13.636 元 / 百万 Token,RPM 均为 180。阿里云开发者社区 注意别和同代的qwen-audio-3.1-tts-next混淆 ——Next 是统一音频生成模型,一次出人声 + 音效 + 环境音 + BGM,不属于本条 TTS 产品线。
为什么要分 Flash 和 Plus 两条线
1. 实时和批量是两种负载。 智能客服要求边说边出、首包延迟低;有声书要求质感、情绪和方言,不赶延迟,所以必须分模型。
2. 控制方式要从 "选音色" 升级成 "按指令表演"。 旧 TTS 只能选音色 + 调速,这一代支持自然语言描述情绪、语气、角色感、语速、音量,再用细粒度标签做局部加重、压低、加速。
3. 真实参考素材都不干净。 用户给的复刻音频常带噪声和混响,这一代专门强化鲁棒性,让非录音棚素材也能复刻。
4. 方言和小语种是内容刚需。 地方短剧、区域客服一听标准普通话就 "假",Plus 强调方言发音正宗度并覆盖多个小语种。
模型定位对照
| 模型 | 定位 | 输出特点 | 典型场景 |
|---|---|---|---|
| qwen-audio-3.1-tts-flash | 实时交互高性能合成 | 流式、低延迟 | 语音助手、实时对话、智能客服 IVR |
| qwen-audio-3.1-tts-plus | 高质量语音生成 | 音质、自然度、表现力、方言 | 有声书、影视 / 短视频配音、品牌声音 |
| qwen-audio-3.1-tts-next | 统一音频生成(非 TTS 线) | 人声 + 音效 + 环境音 + BGM 一次成片 | 播客、多人对话、影视声景 |
选型口诀:实时对话用 Flash,高质量配音用 Plus,要一次成片含音效音乐用 Next。
核心特征清单
- free-style 指令遵循: 自然语言写情绪、语气、角色、语速、音量、风格
- 细粒度标签控制: 局部压低、加重、加速,长文本节奏人工可控
- 流式合成(Flash): 边说边出,支持 WebSocket、AOQ 与非实时 HTTP 三条接入路径
- 声音复刻鲁棒性: 噪声、混响参考素材下仍保音质与清晰度
- 多语种 + 中文方言: Plus 方言正宗度优先,覆盖多个小语种
- 限流: RPM 180,每分钟最多 180 次请求
- 明确不支持: Function Calling、结构化输出、联网搜索、上下文缓存、批量推理、模型调优 —— 它是合成工具,不是对话模型
能力边界
擅长:
- 有声书与长文本朗读:多角色、多情绪切换,节奏可控
- 影视 / 短视频配音:按脚本标注情绪语气,逐条对齐画面
- 品牌声音设计:复刻固定音色,多语种版本保持一致
- 智能客服 / 语音助手:Flash 流式低延迟应答
- 方言内容:地方短剧、区域资讯、方言教学
- 多语出海:同一脚本多语版本,音色尽量一致
做不好 / 需另配:
- 一次生成含音效 BGM 的完整音频 → 用 tts-next
- 毫秒级音画精确对齐 → 仍需后期工具
- 唱歌、戏曲唱腔等强音乐性任务 → 不在标准 TTS 范围
- 完全离线私有化部署 → 需另行确认方案
订阅与价格详解
Plus:按字符计费,输出不计费
| 地域 | 单价 | 免费额度 |
|---|---|---|
| 华北 2(北京) | 1.4 元 / 万字符 | 1 万字符 |
| 国际 | 2.19 元 / 万字符 | 无 |
按内容量算钱、与音频时长无关:十万字有声书纯合成约 14 元,成本可预估。
Flash:按 Token 双端计费
| 地域 | 输入 | 输出 | 免费额度 |
|---|---|---|---|
| 华北 2(北京) | 1.5 元 / 百万 Token | 12 元 / 百万 Token | 100 万 Token |
| 国际 | 1.677 元 / 百万 Token | 13.636 元 / 百万 Token | 无 |
成本重心在输出侧(输出是输入的 8 倍),实时对话输出量随时长线性增长。北京免费额度(Plus 1 万字符、Flash 100 万 Token)有效期自开通或模型发布起 90 天,试听调参应放在额度内完成。
声音复刻计费: Qwen-Audio-TTS 与 Realtime 系列创建音色免费,使用复刻音色合成时按目标模型计费;另有 Qwen-TTS 复刻线按新建音色个数计费,创建失败不计费、删除音色不恢复免费次数,接入前先确认走哪条线。
接入步骤
- 定场景选模型: 实时低延迟选 Flash,高质量质感选 Plus,成片声景选 Next。
- 先花免费额度: 北京地域额度内完成试听、调参、确定音色风格,再进生产。
- 选通道: 实时走 WebSocket 流式,批量走 HTTP 排队,别用错通道浪费重试。
- 写清指令: 情绪、语速、角色、停顿一次写清,减少反复试听重生成这个成本大头。
- 长文本分段: 按自然段切分逐段合成再拼接,结尾节奏更稳,便于局部重录。
- 人耳验收: 方言正宗度、人名地名品牌名读音逐条抽检,真人复刻必须取得本人明确授权。
整体看,Qwen-Audio-3.1-TTS 把配音从 "排期等人对稿" 变成 "写指令 + 抽检",Flash/Plus 两条线让团队在延迟和质感间各取所需;接入前拿三段真实素材试:带情绪的长旁白、方言对白、待复刻参考音频,三段过关再进生产流程。
【相关 FAQ】
问题 1:Qwen-Audio-3.1-TTS 有哪两个主力模型,分别面向什么场景?
回答 1:Qwen-Audio-3.1-TTS 有qwen-audio-3.1-tts-flash和qwen-audio-3.1-tts-plus:Flash 面向实时交互、流式低延迟,用于语音助手、智能客服;Plus 面向高质量生成,用于有声书、影视配音、品牌声音。
问题 2:Qwen-Audio-3.1-TTS 的 Plus 和 Flash 订阅价格怎么算,有什么区别?
回答 2:Plus 按字符计费、输出不计费,北京 1.4 元 / 万字符(赠 1 万字符)、国际 2.19 元 / 万字符;Flash 按 Token 双端计费,北京输入 1.5 元、输出 12 元 / 百万 Token(赠 100 万 Token)、国际输入 1.677 元、输出 13.636 元 / 百万 Token。
问题 3:Qwen-Audio-3.1-TTS 的声音复刻怎么收费,参考音频有什么要求?
回答 3:Qwen-Audio-TTS/Realtime 系列创建音色免费、使用复刻合成按目标模型计费;参考音频建议单人、少背景音、16kHz 以上,模型对噪声混响有鲁棒性,但素材质量决定复刻上限。
问题 4:Qwen-Audio-3.1-TTS 支持方言和小语种吗,RPM 限制是多少?
回答 4:Qwen-Audio-3.1-TTS Plus 强调方言发音正宗度并覆盖多个小语种,Flash 侧重实时流式;两模型 RPM 均为 180,批量任务需做并发与队列规划。
【参考资料】
- [2026-11-20](阿里云最新 Qwen-Audio-3.1-TTS 全解析:模型定位、核心特征、能力表现、订阅价格详解)阿里云开发者社区
- [2026-11-14](语音合成模型选型)阿里云帮助中心・大模型服务平台百炼
- [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 Model Info)阿里云帮助中心(英文)
- [2026-10-30](qwen-audio-3.1-tts-next 模型信息)阿里云帮助中心
【免责声明】 本文依据截至 2026 年 11 月 20 日的公开官方文档与社区解析整理,价格、免费额度有效期、方言语种覆盖与限流规则以阿里云百炼控制台实时页面为准;声音复刻涉及真人授权,商用前请确认音色与素材使用范围,本文不构成采购承诺。
本文来自作者[拓扑涡旋]投稿,不代表江南网立场,如若转载,请注明出处:https://news.jnwb.net/rgzn/202611/4750.html
评论列表(4条)
我是江南网的签约作者“拓扑涡旋”!
希望本篇文章《阿里云 Qwen-Audio-3.1-TTS 全解析Plus 按字符 1.4 元 / 万、Flash 按 Token 双端计费,RPM 180》能对你有所帮助!
本站[江南网]内容主要涵盖:互联网行业的追踪与探索
本文概览:核心结论先说清楚: Qwen-Audio-3 1-TTS 是通义千问语音合成系列,同代分两条主力产品线:qwen-audio-3 1-tts-flash面向实时交互,主打流