Qwen-Audio-3.1-TTS-Flash

Qwen-Audio-3.1-TTS-Flash 是阿里巴巴根据给定文字生成语音的托管模型，支持表现力控制。国际站近期需要更正的关键信息是计费方式：新加坡地域已于 2026 年 9 月 22 日从字符计费改为输入、输出 tokens 分别计费。

旧字符单价已被输入输出 token 价格替代

阿里云 9 月 21 日公告规定，新加坡地域自 9 月 22 日起，输入价格为 0.23 美元/百万 tokens，输出价格为 1.87 美元/百万 tokens。此前的 0.15 美元/万字符属于历史价格。文字输入和生成语音均会产生费用，不能只按旧字符单价估算当前总账单。

情绪与音色控制针对的是生成语音

模型支持指令跟随，并可通过标签控制情感、语气、角色、语速和音量；官方音色列表现已给出语言覆盖和区分大小写的音色 ID，例如英式英语 Emily_v3.1、美式英语 Brian_v3.1，以及多语种音色 longanhuan_v3.1 和 xunanchuan_v3.1。支持范围随所选音色而变。官方所说的噪声及混响鲁棒性，指向声音克隆所用的参考音频，不是语音识别准确率。

例如，上述多语种系统音色的官方表格列有日语、韩语、法语、德语、葡萄牙语、意大利语、越南语和印度尼西亚语，以及上海话、粤语、东北话、重庆话、陕西话、云南话、宁波话和甘肃话。另有普通话专用与英语专用音色；这些例子不能视为每个音色都具备的统一语言清单。

文本合成与声音克隆参考音频需要区分

API 型号为 qwen-audio-3.1-tts-flash，主输入为文本、输出为音频；声音克隆的参考音频承担音色条件输入的作用。该版本通过阿里云百炼和 QwenCloud 托管提供，目前未链接可下载权重。

官方文档提供 WebSocket 实时合成和 HTTP 非实时合成两种接入方式，同时支持声音克隆和 Voice Design。Voice Design 可根据自然语言描述创建音色，无需提供参考音频；音色描述支持中文和英文，合成语言仍需按音色及模型约束选择。

配音、转写和同传需要不同模型

语音回复、内容配音和多语言语音输出适合使用 TTS，前提是官方音色列表支持目标语言。把录音转成文字应比较专用 Qwen ASR 模型；实时翻译输入语音并发出译声则应比较 Qwen3.8-LiveTranslate。本次复核未找到这一具体 Flash 版本的独立测试，TTS Plus 的结果不能用来证明 Flash 的表现。

来源：官方模型与调用文档; Voice Design 官方指南; 阿里云 9 月 21 日调价公告；官方音色列表；QwenCloud 模型页。复核日期：2026 年 9 月 28 日。