APIMart
APIMart

Qwen-Audio-3.0-TTS: цены и управление голосом

Qwen-Audio-3.0-TTS тарифицируется за входные символы: прайс в Сингапуре — $15 за 1 млн символов для Flash и $20 для Plus. Сравниваем уровни, управление голосом и доступ.

Туториал

Если вы присматриваетесь к Qwen-Audio-3.0-TTS, начните с двух фактов: оплата идёт за символы входного текста, а сама модель доступна как облачный API через Alibaba Cloud Model Studio, а не как открытые веса. APIMart сейчас эту модель не предоставляет, поэтому всё ниже опирается на официальные цены и документацию Alibaba Cloud.

Вот краткая версия:

  • Тарификация посимвольная на обоих уровнях, ниже — официальные прайсовые цены.
  • Flash (qwen-audio-3.0-tts-flash) стоит $0,15 за 10 000 символов в регионе Сингапур (международный), то есть $15 за 1 млн символов.
  • Plus (qwen-audio-3.0-tts-plus) стоит $0,20 за 10 000 символов в Сингапуре, то есть $20 за 1 млн символов.
  • Оба уровня ограничены 180 запросами в минуту в регионах Пекин и Сингапур.
  • Голосом управляют свободными инструкциями и детальными тегами для эмоции, тона, роли, темпа речи, громкости и стиля.
  • В официальном анонсе указаны 16 языков, библиотека готовых голосов и клонирование голоса.
  • Flash рассчитан на интерактив в реальном времени, задержка до первого пакета — в пределах 200 мс.
  • Plus рассчитан на высококачественную генерацию: озвучку и фирменный голос бренда.

Простой пример показывает масштаб. По прайсу Flash в Сингапуре, $15 за 1 млн символов, 500 символов x 30 000 запросов — это 15 млн символов, то есть около $225 в месяц; тот же объём на Plus обойдётся примерно в $300. Это прайсовые цены без акций, так что перед расчётом бюджета сверьтесь со страницей цен Alibaba Cloud.

Я бы читал это руководство как чек-лист настройки: оценить стоимость, выбрать уровень, зафиксировать голос и короткую инструкцию, протестировать на реальном трафике и только потом запускать.

APIMart
Qwen-Audio-3.0-TTS: Flash против Plus – цены, голоса и сценарии с первого взгляда

Главное

  • Qwen-Audio-3.0-TTS тарифицируется за символы входного текста; официальные прайсовые цены в регионе Сингапур — $15 за 1 млн символов для Flash и $20 для Plus.
  • Модель доступна как облачный API через Alibaba Cloud Model Studio в регионах Пекин и Сингапур; APIMart её сейчас не предоставляет.
  • Голосом управляют свободными инструкциями и детальными тегами для эмоции, тона, роли, темпа речи, громкости и стиля.
  • Flash рассчитан на реальное время с задержкой до первого пакета в пределах 200 мс; Plus — на качественную озвучку и голос бренда.
  • Оба уровня ограничены 180 запросами в минуту, а максимальная длина входа в Model Studio не указана, поэтому длинные тексты стоит проверить до запуска.

Цены и тарификация Qwen-Audio-3.0-TTS

APIMart

Согласно официальным страницам Alibaba Cloud для Flash и Plus, Qwen-Audio-3.0-TTS тарифицируется по числу символов входного текста. APIMart сейчас эту модель не предоставляет, поэтому доступ идёт через Alibaba Cloud Model Studio.

Как работают единицы тарификации

Оба уровня, Flash и Plus, тарифицируются за каждые 10 000 символов входного текста, а цена зависит от региона, в который вы обращаетесь. Это прайсовые цены без акций; окончательный ориентир — страница цен Alibaba Cloud:

УровеньСингапур (международный)Китай (Пекин)За 1 млн символов (Сингапур)
Flash (qwen-audio-3.0-tts-flash)$0,15 / 10 000 символов$0,137521 / 10 000 символов$15
Plus (qwen-audio-3.0-tts-plus)$0,20 / 10 000 символов$0,19253 / 10 000 символов$20

Источник: страницы моделей Alibaba Cloud Model Studio для Flash и Plus, проверено в октябре 2026 года.

Flash хорошо работает для задач с низкой задержкой и высоким объёмом. Plus лучше подходит для повествования и брендовой голосовой работы.

Как оценить ваши ежемесячные расходы

Расчёт довольно прост: возьмите среднее число символов на запрос, умножьте его на ваш месячный объём запросов, разделите на 1 000 000, а затем умножьте на тариф за миллион.

По прайсу Flash в Сингапуре, $15 за 1 млн символов, и $20 для Plus получается примерно так:

СценарийСред. символов на запросЗапросов в месяцОценка в месяц (Flash)Оценка в месяц (Plus)
Чат-ассистент50030 000~$225~$300
Поддержка клиентов1 20030 000~$540~$720
Озвучка видео10 00030 000~$4 500~$6 000

Один короткий ответ стоит совсем немного — 500 символов на Flash меньше цента, — но на объёме сумма растёт быстро, а длинная озвучка растёт быстрее всего.

Когда стоимость определена, следующий шаг — выбор параметров управления голосом, которые формируют вывод.

Управление голосом в Qwen-Audio-3.0-TTS

Теперь, когда цены понятны, следующий шаг — формирование голоса.

Qwen-Audio-3.0-TTS даёт два взаимодополняющих способа управлять голосом. Свободные инструкции описывают подачу обычным языком, а детальные теги точно задают отдельные параметры: эмоцию, тон, роль, темп речи, громкость и стиль [1]. Если нужен повторяемый результат, зафиксируйте голос и короткую инструкцию. Если нужно, чтобы подача менялась, меняйте инструкцию.

Голоса и языки

В официальном анонсе Alibaba перечислены 16 языков: арабский, китайский, английский, французский, немецкий, индонезийский, итальянский, японский, корейский, малайский, португальский, русский, испанский, тагальский, тайский и вьетнамский, а также улучшено звучание нескольких китайских диалектов [2]. Есть и подобранная библиотека готовых голосов для этих языков, так что начать можно без клонирования.

Клонирование голоса тоже поддерживается. По данным анонса, модель справляется с неидеальным референсным аудио: подавляет реверберацию и шум, сохраняя тембр говорящего [2]. Правило остаётся простым: подбирайте голос под целевой язык и держите один голос на продукт или персонажа.

На страницах моделей в Model Studio не указаны ни форматы вывода, ни частота дискретизации, а в анонсе вывод 48 кГц назван «скоро будет». Проверьте оба параметра в справочнике API вашего региона, прежде чем строить на них медиапайплайн.

Тон, скорость и эмоция

Темп речи — один из параметров, которые задаются тегами, наряду с эмоцией, тоном, ролью, громкостью и стилем [1]. То, что тегами не выразить, опишите обычными словами, например «спокойно и обнадёживающе, чуть медленнее обычного». В анонсе также упоминаются невербальные теги вроде [gasp], [giggles] или [angry], которые вставляются прямо в текст [2].

ПараметрКак задатьВлияние на звукЛучший сценарий
ГолосВыбрать готовый голос или клонировать по референсному аудиоЗадаёт базовый тембр и акцентФирменные персонажи, локализованный контент
Эмоция / ТонДетальные теги или свободная инструкцияМеняет просодию и эмоциональную подачуМаркетинг, игровые персонажи, поддержка
Темп / ГромкостьДетальные тегиМеняет скорость и громкостьОбучающий контент, быстрые дисклеймеры
Роль / СценарийСвободная инструкцияОпределяет, как голос играет персонажа или ситуациюАудиокниги, реклама, диалоги
Невербальные звукиВстроенные теги в текстеДобавляет вдохи, смех и похожие сигналыИгровые диалоги, выразительная озвучка

Стоит учитывать одну деталь: эмоция и темп влияют друг на друга. Инструкция с просьбой о взволнованной подаче может звучать быстрее, даже если вы не задавали тегом более высокий темп. Если темп удивил, сначала проверьте инструкцию.

Теги или свободные инструкции

Удобно считать выбор голоса и небольшой набор тегов базовой настройкой для продакшена. Они задают основу каждого чтения. Свободная инструкция накладывается поверх этой базы и формирует подачу.

Держите базу неизменной, когда нужен стабильный результат, и меняйте инструкцию, когда нужна вариативность. На практике описание того, кто говорит, кому и в каком настроении, работает лучше, чем инструкция из одного слова.

Именно эти настройки по умолчанию вы возьмёте в тестирование, поэтому сначала стоит посмотреть, как модель себя показывает.

Насколько хорошо работает Qwen-Audio-3.0-TTS

Цена и параметры важны, только если сам голос звучит достойно. Ниже — что показывают опубликованные бенчмарки и что всё равно стоит проверить в своей среде.

Основные метрики TTS: естественность, WER, CER, схожесть с говорящим и задержка

Для продакшен-команд несколько ключевых метрик берут на себя большую часть работы:

МетрикаЧто она измеряетПочему это важно
WER / CERСогласованность содержания и разборчивостьБолее низкие оценки означают, что синтезированная речь ближе к исходному тексту
SIM (Cosine)Схожесть с говорящим и верность тембраКритично для клонирования голоса и согласованности брендового голоса
UTMOS / PESQПрогнозируемая естественность и акустическое качествоОтражает общую чистоту звука и воспринимаемое человеком качество
Задержка (мс)Время до первого звукаОпределяет, работает ли модель для сценариев реального времени

Вот что Alibaba опубликовала о самой Qwen-Audio-3.0-TTS [2].

На тестовом наборе из 16 языков семейство моделей показывает лучший WER/CER в 10 из 16 языков, при средних показателях ошибок 3,87 у Flash и 3,96 у Plus. Это важно, потому что меньшая доля ошибок обычно означает, что модель держится ближе к исходному тексту и не пропускает слова и не делает странных замен.

По сходству голоса с говорящим Plus в среднем набирает 82,75 и занимает первое место во всех 16 языках, а Flash — 80,44 [2]. Если вы работаете с клонированием голоса или хотите сохранить стабильный голос бренда, за этой метрикой стоит следить внимательно.

По данным анонса, Plus также занимает 1-е место в рейтинге TTS Artificial Analysis [2]. Некоторые обзоры приводят для этой модели другие цифры, например WER 1,24 на английском или задержку 97 мс. Они относятся к Qwen3-TTS — отдельной open-source модели, которую команда Qwen публикует на GitHub, и не описывают эту облачную модель.

Многоязычное качество и согласованность между языками

Если вы работаете на несколько рынков, сложнее всего обычно сохранить один и тот же голос во всех языках. Qwen-Audio-3.0-TTS поддерживает 16 языков и лучше передаёт несколько китайских диалектов [2].

Опубликованные цифры это подтверждают: Plus лидирует по сходству голоса во всех 16 языках, а именно это свойство позволяет готовому или клонированному голосу звучать как один и тот же человек на разных рынках [2].

Эта устойчивость — большое дело для команд, строящих локализованные голосовые процессы. Вы же не хотите, чтобы один язык звучал отполированно, а другой ощущался так, будто он из другого продукта.

Что сигнализирует высокое место в рейтинге и что командам всё же стоит протестировать

Сильные результаты бенчмарков — зелёный свет, а не финальный ответ. Они говорят вам, что модель заслуживает серьёзного внимания, но не отменяют необходимость продакшен-тестирования.

Командам всё же нужно проверить несколько вещей в собственной среде: стабильность длинного повествования, следование инструкциям при эмоциональных подсказках и согласованность тембра между языками. Это те места, где модель может отлично выглядеть в бенчмарке и всё же спотыкаться в повседневном использовании.

Баллы бенчмарков — это средние значения по тестовому набору. Они не покажут, как конкретный голос выдержит 40-минутную озвучку или как модель прочитает названия ваших продуктов, поэтому такие проверки делайте на своих текстах.

Задержка зависит и от того, откуда вы обращаетесь к API. Model Studio обслуживает модель из регионов Пекин и Сингапур, так что сетевое расстояние до выбранного региона добавляется к задержке, которую ощущают пользователи.

На официальной странице модели Alibaba указывает, что Flash удерживает задержку до первого пакета в пределах 200 мс; для Plus данные о задержке не опубликованы [1].

Как получить доступ к Qwen-Audio-3.0-TTS

Qwen-Audio-3.0-TTS доступна как облачный API через Alibaba Cloud Model Studio в двух регионах: Китай (Пекин) и Сингапур (международный). Создайте API-ключ в том регионе, который будете использовать, и обращайтесь к эндпоинту этого же региона: ключи и эндпоинты между регионами не переносятся. Идентификаторы моделей — qwen-audio-3.0-tts-flash и qwen-audio-3.0-tts-plus; подробности запросов есть на официальных страницах Flash и Plus и в справочнике API, на который они ссылаются.

APIMart сейчас не предоставляет Qwen-Audio-3.0-TTS, поэтому вызвать эту модель с ключом APIMart нельзя.

Рекомендуемые настройки для типичных сценариев

Когда доступ есть, выбрать отправную точку гораздо проще. Таблица ниже сопоставляет типичные сценарии с уровнем и стилем инструкции.

СценарийРекомендуемый уровеньСтиль инструкцииЧувствительность к цене
Поддержка клиентовFlashДоброжелательно и спокойноВысокая
Онбординг в приложенииPlusТепло и приветливоСредняя
Обучающая озвучкаPlusУверенно и размеренноСредняя
Рекламный креативPlusЭнергично и динамичноНизкая
Озвучка продуктового видеоPlusПрофессионально и чёткоНизкая

Лимиты запросов и проверки перед продакшеном

Оба уровня ограничены 180 запросами в минуту в каждом регионе [1][3]. Перед выходом в продакшен проведите нагрузочный тест на ожидаемом пике и повторяйте ограниченные запросы с экспоненциальной задержкой. Проверьте и длинные тексты: максимальная длина входа в Model Studio не указана, поэтому делите длинный текст по предложениям или абзацам и склеивайте аудио после.

Выбор правильной настройки и следующие шаги

Простая схема принятия решений

Теперь, когда цены и управление голосом заданы, используйте этот последний фильтр, чтобы сопоставить модель с нужной вам работой.

Выбирайте на основе бюджета, управления голосом и сценария использования.

ПриоритетНаилучшее соответствиеРекомендуемый уровень
Низкая задержка и высокий объёмЖивые ассистенты, IVR, перевод в реальном времениFlash
Экономичность при высоком объёмеМассовая локализация, объёмная поддержка клиентовFlash
Выразительное брендовое повествованиеБрендовое повествование, длинное аудио, голоса персонажейPlus

Для длинной озвучки используйте один голос от начала до конца. Делайте инструкции короткими, простыми и повторяемыми. Обычно это даёт более стабильный результат и меньше сюрпризов.

Для простых конфигураций можно ещё проще: выберите один голос и меняйте только инструкцию, когда нужно.

Связанное сравнение — в статье Qwen-Audio-3.0-TTS: разбор тарифов Flash и Plus.

Факторы развёртывания: интеграция API, пропускная способность и планирование инфраструктуры

После того как вы выбрали модель, нагрузка развёртывания решает, выдержит ли она продакшен. Именно здесь многие команды спотыкаются. Модель может отлично выглядеть в демо, а затем испытывать трудности, когда приходит трафик.

Главный фактор — параллельность, потому что она влияет и на задержку, и на пропускную способность. Так что не тестируйте только по одному запросу за раз. Тестируйте при ожидаемой пиковой нагрузке. Это единственный способ увидеть, как ведёт себя система, когда все пользуются ею одновременно.

Поскольку Qwen-Audio-3.0-TTS размещена в Alibaba Cloud Model Studio, управлять GPU-инфраструктурой самому не нужно. Планирование сводится к лимиту 180 запросов в минуту, выбору региона и тому, как вы ставите запросы в очередь на пиках.

Как только процесс, задержка и интеграция выстраиваются, выбор перестаёт быть теоретическим. Он становится операционным решением.

Ключевые моменты для внедрения

Как только вы выбрали уровень, настройте всё вокруг сценария, который будете запускать чаще всего. Это держит ваш план запуска привязанным к реальному использованию, а не к крайним случаям.

  • Настройте оповещения об использовании до запуска.
  • Проверьте каждый сценарий с его собственным диктором, скоростью и промптом instruct.
  • Протестируйте вывод на носителях американского английского до запуска.
  • Выберите регион заранее: у Пекина и Сингапура отдельные API-ключи и эндпоинты.

Также проверьте до запуска, как ваша система обрабатывает лимиты запросов и временные ошибки сервера.

Часто задаваемые вопросы

Есть ли ограничение на число символов в запросе?

На страницах Alibaba Cloud для Flash и Plus максимальная длина входа не указана, поэтому прежде чем полагаться на какой-либо лимит, проверьте справочник API вашего региона.

Для длинных текстов деление всё равно остаётся хорошей практикой. Разбивайте текст в естественных местах, например в конце предложения или абзаца, отправляйте каждую часть отдельно, а затем соединяйте полученное аудио в одну дорожку.

Какие настройки голоса зафиксировать для стабильного вывода?

Чтобы длинная озвучка звучала ровно, выберите один готовый или один клонированный голос и используйте его во всём проекте. Напишите короткую инструкцию с описанием персонажа и подачи и повторяйте её дословно.

Сохраняйте и одинаковые теги, особенно для темпа и громкости, чтобы голос не «плыл» между фрагментами. А перед запуском прогоните текст полной длины, чтобы заранее найти проблемы.

Когда выбирать Flash вместо Plus?

Выбирайте Flash, когда важнее всего скорость и низкая задержка. Он создан для интерактива в реальном времени, задержка до первого пакета — в пределах 200 мс, что подходит для виртуальных ассистентов, синхронного перевода и поддержки клиентов.

Выбирайте Plus, когда качество важнее скорости. Он рассчитан на высококачественную генерацию и лидирует по сходству голоса в опубликованных тестах Alibaba, что подходит для аудиокниг, профессиональной озвучки и брендового контента.

Что означает эпоха производительности для TTS?

Синтез речи ушёл от скованного, роботизированного вывода к подаче уровня исполнения. Проще говоря, это значит, что модели могут гораздо лучше справляться с эмоцией, ритмом и тоном, поэтому голос звучит ближе к тому, что вы действительно хотите услышать.

С технической стороны сквозные архитектуры сокращают узкие места и ошибки. Отдача — это высококачественный звук и стриминг с очень низкой задержкой. Для бизнеса это делает ИИ-голос гораздо более практичным в живых взаимодействиях и продакшен-средах, включая озвучку, игровых персонажей и образовательный контент.

Что мне стоит протестировать перед развёртыванием этой модели?

Перед развёртыванием Qwen-Audio-3.0-TTS решите, какой регион Model Studio будете использовать, и убедитесь, что API-ключ и эндпоинт относятся именно к нему.

Полезно также сопоставить пиковый трафик с лимитом 180 запросов в минуту. Так вы заранее поймёте, нужна ли очередь или более высокая квота.

Затем запустите пробный тест. Вы хотите подтвердить, что ваша конфигурация, интеграция API и голосовые настройки сопоставлены так, как вы ожидаете. Если одна настройка не в порядке, весь конвейер может выглядеть нормально на поверхности, но всё равно выдавать неправильный вывод.

После этого протестируйте голос, теги и инструкции на реальных текстах. Небольшие изменения здесь влияют на качество сильнее, чем кажется, поэтому лучше проверить их заранее, чем исправлять после запуска.

Теги#TTS#Аудио#Цены#ИИ

О команде APIMart

Команда APIMart пишет обзоры моделей, сравнения и разборы цен для разработчиков, которые создают продукты на базе ИИ. APIMart даёт один API для моделей чата, изображений и видео от разных провайдеров, поэтому модели из этой статьи можно сравнить между собой до запуска.

Готовы попробовать?

Выберите нужную модель в маркетплейсе моделей

Попробуйте чат, изображения и видео в маркетплейсе APIMart и быстро оцените возможности моделей через единый API.

Чат-моделиМодели изображенийВидео-модели
Открыть маркетплейс моделей