Qwen-Audio-3.1-TTS-Plus

Qwen-Audio-3.1-TTS-Plus är den kraftfullaste talsyntesmodellen i Alibabas Qwen-Audio 3.1-serie. Serien presenterades på Apsara-konferensen i Hangzhou den 22 september 2026 och består av Qwen-Audio-3.1-ASR (taligenkänning), Qwen-Audio-3.1-TTS (talsyntes) och Qwen-Audio-3.1-Realtime (samtal i realtid). Samtidigt visades Qwen-Audio-3.1-TTS-Next, en separat modell som skapar hela ljudmiljöer med dialog och bakgrundsljud ur ett manus.

Plus-versionen prioriterar ljudkvalitet och upplösning och är enligt Alibaba Cloud tänkt för varumärkesröster, ljudinnehåll, film- och tv-dubbning och rollfigurer. Den talar flera språk och dialekter, kan strömma ljud och följer fria instruktioner. Med taggar kan man finjustera känsla, ton, persona, taltempo och volym. Röstkloningen ska klara referensljud med brus och eko bättre än tidigare. Röstdesign, att skapa en röst från en textbeskrivning, finns bara i plus-nivån.

För Qwen-Audio-TTS-serien anger dokumentationen att klonade röster kan tala bland annat kinesiska dialekter, engelska, japanska, koreanska, ryska, franska, tyska, portugisiska, thailändska, indonesiska, vietnamesiska, spanska, italienska, malajiska, filippinska och arabiska, och att ett tjugotal kinesiska dialekter som kantonesiska, shanghainesiska och sichuanesiska styrs med instruktioner. Plus-modellen har fyra flaggskeppsröster (Long An Lingxin, Xu Nanchuan, Long An Huan och Long An Fengyue) med stöd för SSML, instruktioner och tidsstämplar.

Modellen används via Alibaba Cloud Model Studio över WebSocket eller HTTP. Ordinarie pris är 1,4 yuan per 10 000 tecken i Peking och 2,19 yuan i Singapore. Alibaba har inte publicerat något eget blogginlägg med detaljer om modellen, och releasedatum för just plus-versionen anges inte.