Qwen-Audio-3.1-TTS 是阿里云通义千问推出的新一代语音合成模型,分成 Flash、Plus 两个主力版本,分别瞄准低延迟实时交互和高品质内容配音,支持多语种、中文方言、自由指令控制情绪音色,并且优化了嘈杂参考音频的音色复刻能力,在百炼平台以 API 调用方式上线,两个版本计费方式不一样,Flash 是按 Token 计费,Plus 直接按输入字符计费,企业可以根据业务是客服实时播报还是有声书短视频配音来选对应的版本,不用为多余的音质或者延迟成本买单。上一代 TTS 经常遇到复刻音频带噪音就音色跑偏、情绪指令不好控制、流式断句卡顿的问题,3.1 版本优化了声学建模,支持自然语言自由指令,不用硬记复杂标签,同时流式输出的延迟压低,适合在线对话场景,Plus 版本重点提升人声自然度、停顿节奏,适合对成品音质要求高的内容制作场景。
一、两个版本定位清单
- qwen-audio-3.1-tts-flash:实时交互版,主打流式合成、低延迟,面向智能客服、语音助手、实时对话,优先保证响应速度,兼顾音色复刻和情绪控制
- qwen-audio-3.1-tts-plus:高品质内容版,主打人声自然度、表现力、细节质感,面向有声书、短视频配音、品牌音色、影视旁白,非流式优先,牺牲一点速度换音质
二、核心特征汇总
| 能力项 | 说明 |
|---|---|
| 语种 & 方言 | 支持中英主流语种、国内多地中文方言,方言发音准确度提升 |
| 指令控制 | Free-style 自由指令,直接用文字描述情绪、语速、音量、角色风格,也支持细粒度标签控制 |
| 音色复刻 | 对带噪声、混响的参考音频鲁棒性变强,嘈杂录音也能稳定复刻音色,不容易失真跑偏 |
| 输出格式 | 支持 WAV、MP3、PCM 音频输出 |
| 流式能力 | Flash 原生支持流式逐段返回音频,边输入边出声音;Plus 以非流式高品质生成为主 |
| 额外限制 | 不支持 Function Calling、联网搜索,只做文本转语音任务 |
三、能力表现对比
- Flash 版本:延迟低,流式输出稳定,并发 RPM 上限 180,适合用户一边说话一边出语音回复的场景,音质够用,性价比高,复刻能力够用,不追求极致细腻的旁白质感
- Plus 版本:停顿、重音、语气起伏更贴近真人,长文本朗读不容易机械断句,多人旁白、长篇有声书听感更好,复刻音色一致性更强,适合后期剪辑直接使用,不需要二次修音
四、适用场景区分
✅ 选 Flash
- 智能客服、在线语音助手、实时对话机器人
- 直播实时字幕转语音、导航播报、设备交互语音
- 高并发、对等待时间敏感,音频不需要精细后期
✅ 选 Plus
- 有声书、知识课程、短视频旁白、品牌宣传片配音
- 固定品牌音色制作、播客人声、故事音频录制
- 长文本一次性生成,优先音质,对生成速度不敏感
❌ 不适合场景
- 不做语音识别、不做音频理解,它是纯 TTS 文本转语音;如果需要音效、环境音一起生成,要选用 Qwen-Audio-3.1-TTS-Next 音频生成模型,不是这个 TTS 系列
五、百炼平台调用价格(华北 2 北京,原价,不含活动优惠)
| 模型 | 计费方式 | 单价 | 免费额度 |
|---|---|---|---|
| qwen-audio-3.1-tts-flash | 输入 + 输出分开按 Token | 输入 1.5 元 / 百万 Token,输出 12 元 / 百万 Token | 100 万 Token,90 天有效期 |
| qwen-audio-3.1-tts-plus | 按输入字符计费,输出不计费 | 1.4 元 / 万字符 | 1 万字符,90 天有效期 |
补充:国际新加坡地域价格更高,控制台会单独展示;支持按量后付费,没有强制订阅包,也可以采购资源包抵扣成本,适合稳定量大的业务。
六、接入使用简单步骤
- 开通阿里云百炼,获取 API Key,选择对应模型 ID
- Flash 版本:开启流式参数,传入文本、音色 ID、采样率,实时拉取音频流
- Plus 版本:传入完整长文本,选择系统音色或者上传参考音频做音色复刻
- 测试情绪指令,比如 “温柔缓慢、严肃正式、活泼轻快”,验证音色效果
- 压测并发,Flash 注意 RPM 上限 180,超量会限流,再上线业务
【相关 FAQ】
问题 1:阿里云最新 Qwen-Audio-3.1-TTS,Flash 和 Plus 版本最大差别是什么?
回答 1:阿里云最新 Qwen-Audio-3.1-TTS,Flash 主打流式低延迟,适合实时客服、语音助手;Plus 主打高音质人声表现力,适合有声书、短视频配音,两者计费方式也不一样,Flash 按 Token,Plus 按字符。
问题 2:阿里云最新 Qwen-Audio-3.1-TTS,能不能用一段带噪音的录音复刻音色?
回答 2:阿里云最新 Qwen-Audio-3.1-TTS,优化了带噪声、混响参考音频的复刻鲁棒性,相比旧版本,嘈杂录音也更容易稳住音色,但噪音过大依然会影响最终合成效果。
问题 3:阿里云最新 Qwen-Audio-3.1-TTS,它是按订阅包收费还是按量计费?
回答 3:阿里云最新 Qwen-Audio-3.1-TTS,百炼平台默认按量后付费,没有强制订阅;也可以购买资源包抵扣,Flash 是输入输出 Token 分开计费,Plus 只按输入字符计费。
问题 4:阿里云最新 Qwen-Audio-3.1-TTS,能不能同时生成人声加上背景音效、环境音?
回答 4:阿里云最新 Qwen-Audio-3.1-TTS,只负责文本转纯人声语音,不支持自动生成音效、环境音;想要人声 + 音效一起生成,需要选择同系列 Qwen-Audio-3.1-TTS-Next 音频生成模型。
【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
[2026-11-19](阿里云百炼模型定价页:Qwen-Audio-3.1-TTS)阿里云帮助中心
[2026-11-06](qwen-audio-3.1-tts-flash 模型文档)阿里云帮助中心
[2026-11-14](语音合成选型指南:Flash 与 Plus 适用场景)阿里云帮助中心
【免责声明】
本文基于阿里云百炼公开文档、开发者社区资讯整理,Qwen-Audio-3.1-TTS 的价格、免费额度、限流指标、音色效果会随平台活动、版本迭代调整;复刻音色需要遵守声音肖像相关合规要求,不得未经授权复刻他人声音;本文仅作为技术选型参考,不构成采购、项目落地、商用开发的决策建议。
