Qwen-Audio-3.1: 0,15/0,47 dollar – 95 prosent kutt, Next mangler

Qwen slipper 23. september 2026 Qwen-Audio-3.1: fem modeller for gjenkjenning, syntese, sanntid og lydproduksjon. Offisiell lab-konto @Alibaba_Qwen. Live på Qwen Cloud: qwen-audio-3.1-asr-flash og qwen-audio-3.1-asr-flash-filetrans til 0,15 dollar inn og 0,47 dollar ut per million tokens, 600 RPM. qwen-audio-3.1-realtime-plus: 0,80 dollar tekst inn, 6,40 dollar lyd inn, 6,40 dollar tekst ut, 24 dollar lyd-ut per million tokens. Kontekst 262144. 60 RPM, 100000 TPM. TTS-Next på Alibaba Cloud Model Studio i Beijing: 0,848 dollar inn og 1,696 dollar ut per million tokens, 3 RPS. Qwen hevder kutt på om lag 70 prosent for TTS, 85 for Realtime og inntil 95 for ASR mot forrige liste. ASR-Next og TTS-Next er ikke på Qwen Cloud. For CIO er dette en prisdump mot Gemini 3.8 Flash TTS på 0,50/9 dollar, med Beijing-region og ufullstendig katalog. For CISO er det stemmekloning, møtelyd til Alibaba, og at ASR-polering fjerner fyllord – ikke ordrett protokoll.

Hva Qwen faktisk lanserer

Fem navngitte modeller. ASR og Realtime er oppgraderinger. ASR-Next og TTS-Next er nye. Qwen Cloud, eid av Intelligent Cloud Computing (Singapore) Private Limited, lister tre endepunkter i dag: qwen-audio-3.1-asr-flash for kort tale, qwen-audio-3.1-asr-flash-filetrans for lange filer via asynkron transkripsjon, og qwen-audio-3.1-realtime-plus over WebSocket wss://maas.qwencloudapi.com/api-ws/v1/realtime. Standardstemme i realtime-dokumentasjonen: longanqian / longanqian_v3.1.

ASR-Flash: flerspråk og kinesiske dialekter, hotwords, høyttalerseparasjon, tegnsetting og normalisering. Filetrans er offline for møter, innhold og samtaleanalyse. Qwen oppgir 30 språk og 16 kinesiske dialekter, første token om lag 160 ms i strøm. Egne tall: CER 4,55 prosent på 11 KeSpeech/WSYue-delsett, 10,38 prosent CER på intern dialekttest, 82,10 prosent semantisk setningsnøyaktighet dialekt til mandarin. Det er leverandørens egne målinger, ikke en uavhengig hogby-test. Norsk er ikke navngitt.

ASR-Next skal forstå emosjon, miljølyd og maskinlyd, og svare på lydspørsmål. TTS skal syntetisere flerspråk og dialekt med krysspråklig stemmeflytting og instruksjon for emosjon, tempo og stil. TTS-Next er AudioGen: tekst, tidsstempler og inntil tre referanseklipp (30 s, 10 MB, WAV/MP3/OGG Opus, ikke rå PCM) til én pass med tale, effekt og bakgrunn. Tak: 3000 tegn inn. Podcast 240 s, ellers 120 s. Språk i Model Studio-dokumentet: kinesisk og engelsk. Realtime er full dupleks med avbrudd, verktøykall og stemmekloning. enable_search kan ikke kjøre samtidig med function calling.

Pris og FinOps

Qwen Cloud, per million tokens: ASR-Flash og Filetrans 0,15 inn / 0,47 ut. Realtime Plus 0,80 tekst inn, 6,40 lyd inn, 6,40 tekst ut, 24 for tekst-og-lyd-ut (tekst ut tas ikke når lyd belastes). Aliyun Beijing for samme realtime-ID: 5/40/40/150 yuan. Singapore-fanen: 5,995/47,963/47,963/179,861 yuan. TTS-Next Beijing: 6/12 yuan, dokumentert som 0,848/1,696 dollar. RPS 3.

70/85/95 prosent er Qwens prosent mot egen forrige liste, ikke mot Gemini eller ElevenLabs. Gemini 3.8 Flash TTS står på 0,50/9 dollar til 31. desember. Realtime-taket på 262144 tokens er tak, ikke mål; lyd, verktøysvar og historikk spiser kontekst. Filetrans er asynkron. Realtime 60 RPM og 100000 TPM. TTS-Next 3 RPS. Budsjetter Qwen Cloud-dollar og Beijing-yuan hver for seg. Åpne vekter i Qwen3-TTS-repositoriet er en annen linje, Apache 2.0, ikke 3.1-hostingen.

Stemmekloning og CISO

Realtime Plus og TTS-Next tar referanselyd. Kloning av ansatte, kunder eller merkevare er identitetsrisiko. Qwen beskriver samtykke og sikkerhetsgrenser i realtime, men det er leverandørtekst, ikke DPA. ASR-polering fjerner fyllord, gjentakelser og reorganiserer mening. Det er ubrukelig som juridisk ordrett referat. Møter, kundesamtaler og helseopptak som går til Qwen Cloud eller Beijing, er overføring til Alibaba. Velg region bevisst. Singapore-selskapet bak Qwen Cloud er ikke EØS-databehandler. Emosjonsdeteksjon og «empatisk» tempoendring er profilering. Verktøykall i stemme kan treffe intern API uten at et menneske ser handlingen.

Hva som ikke er i API

qwen-audio-3.1-asr-next og qwen-audio-3.1-tts-next svarer 404 på Qwen Cloud. TTS-Next finnes i Model Studio Beijing, med kinesisk/engelsk og 3 RPS. ASR-Next har ikke dokumentert globalt endepunkt hogby kan kalle. Ingen Enterprise-SLA, ingen EØS-region og ingen modellkort med uavhengig red-teaming fulgte lab-posten. Qoder, QwenNote, A2, Eva og briller er Qwens egne flater, ikke en ferdig europeisk kontaktkanal.

Hva ledelsen bør gjøre nå

Pris ASR-Flash mot dagens transkripsjonsleverandør på deres egne opptak, med og uten polering. Ikke bytt møtereferat til 3.1 før dere har en ordrett modus. Kjør Realtime Plus i Singapore-dollar mot Gemini Live og GPT-Live på latens, avbrudd og verktøysfeil, ikke på Qwens prosentkutt. Hold TTS-Next i Beijing utenfor innhold som ikke kan ligge i Kina. Forby kloning av ansattstemmer uten skriftlig samtykke. Behandle ASR-Next som demo til katalog-ID finnes. Sett databehandleravtale og region som stoppkriterier, ikke modellnavnet.

Kilder og medier

Primærkilde: Qwen, https://x.com/Alibaba_Qwen/status/2102687258990026993

Pris og modell-ID: Qwen Cloud for qwen-audio-3.1-asr-flash, qwen-audio-3.1-asr-flash-filetrans og qwen-audio-3.1-realtime-plus. TTS-Next: Alibaba Cloud Model Studio, https://www.alibabacloud.com/help/en/model-studio/qwen-audio-3-1-tts-next. Realtime-tak: https://help.aliyun.com/zh/model-studio/qwen-audio-3-1-realtime-plus. Qwen Cloud: Intelligent Cloud Computing (Singapore) Private Limited.

Thumbnail: OpenAI Image 2 / hogby.ai