Alibaba Cloud amplió su familia Qwen-Audio con el modelo 3.1 Realtime Plus para conversaciones de voz en tiempo real y anunció una rebaja de precios en modelos de audio seleccionados. El ajuste más marcado del aviso oficial corresponde a Qwen-Audio 3.0 Realtime Flash, cuya salida combinada de texto y audio bajó de US$15 a US$1,87 por millón de tokens en la región de Singapur.
Ese cambio equivale a una reducción aproximada del 87,5% para esa modalidad de consumo. La entrada de audio del mismo modelo pasó de US$4,50 a US$0,93 por millón de tokens, cerca de un 79% menos. Alibaba aplicó las nuevas tarifas automáticamente a partir del 22 de septiembre en las regiones indicadas en su aviso.
Qwen-Audio 3.1 Realtime Plus es un servicio distinto dentro de la familia. Alibaba publica para Singapur una tarifa de US$6,40 por millón de tokens de audio de entrada y US$24 por millón de tokens de audio de salida. La reducción anunciada para Realtime Flash no corresponde a ese modelo Plus.
La nueva versión puede recibir y generar voz y texto en una conexión simultánea. Integra llamadas a funciones, búsqueda web y clonación de voz. Son capacidades orientadas a agentes de voz que consultan información o utilizan herramientas durante una conversación.
Qwen-Audio 3.1 mejora el uso de herramientas y el control de turnos
El equipo de Qwen presentó resultados de pruebas para Qwen-Audio 3.1 Realtime. En una adaptación de un banco de tareas de voz con interacción por turnos, la tasa general de éxito subió de 78,4% en la versión 3.0 a 82,0% en la 3.1. La evaluación fue realizada por los propios desarrolladores bajo esa configuración.
En otra prueba de diálogo simultáneo, la proporción de respuestas activadas por voces de fondo cayó de 73% a 13%, según el informe técnico. Esa medición apunta a una menor interrupción indebida cuando hay sonidos o conversaciones alrededor del usuario.
La documentación del servicio describe un modo llamado smart_turn que combina señales acústicas y el contenido de la conversación para decidir cuándo terminó una intervención. Muletillas como «eh» o «hmm» no deberían activar una respuesta por sí solas. La función gestiona los turnos de conversación; Alibaba no la presenta como un sistema que borre automáticamente muletillas o repeticiones de una grabación.
El servicio admite español y otros diez idiomas, además de chino y varias de sus variantes regionales. Para el modelo 3.1 Plus, los desarrolladores pueden indicar por separado el idioma de entrada y el de salida. Alibaba advierte que la voz intentará seguir el idioma solicitado, aunque el resultado no está garantizado.
La rebaja alcanza a Realtime Flash y a síntesis de voz
El aviso de precios de Alibaba identifica dos modelos afectados en su sitio internacional: Qwen-Audio 3.0 Realtime Flash y Qwen-Audio 3.1 TTS Flash. Este último convierte texto en voz y pasó a una nueva estructura de cobro por tokens, por lo que su precio anterior por caracteres no permite una comparación porcentual directa con los datos publicados.
En Realtime Flash, la salida solo de texto bajó de US$4,50 a US$0,70 por millón de tokens, una reducción cercana al 84%. La entrada solo de texto pasó de US$0,45 a US$0,23. Las cifras varían según el tipo de token consumido; una conversación de voz puede combinar varias categorías en su factura.
Alibaba señaló en el aviso: «Los nuevos precios se aplicarán automáticamente» desde el momento indicado. El cambio afecta el costo del servicio para quienes integran esos modelos mediante la API, pero el gasto total de cada aplicación depende de la cantidad de audio y texto procesados.
En Qwen-Audio 3.1 Realtime Plus, la búsqueda web y las llamadas a funciones están disponibles, aunque la documentación indica que no pueden activarse simultáneamente. Esa condición importa al diseñar asistentes que necesitan consultar la web y operar herramientas externas en una misma conversación.
Fuentes
Aviso de precios de Alibaba Cloud · Ficha de Qwen-Audio 3.1 Realtime Plus · Guía de voz en tiempo real · Informe técnico de Qwen-Audio 3.1
