Qwen Audio 3.1 తన వాయిస్ సేవలను విస్తరించింది; 95% ధర తగ్గింపు వెనుక సందర్భం ఉంది

Alibabaకు చెందిన Qwen బృందం మాటలను లిఖితంగా మార్చడం, ప్రసంగం రూపొందించడం, ప్రత్యక్ష వాయిస్ సంభాషణ వంటి పనుల కోసం Qwen Audio 3.1 నమూనాలు ఐదింటిని విడుదల చేసింది. ASR, TTS-Next, Realtime Plusలకు హోస్ట్ చేసిన సేవల API వివరాలున్నాయి. TTS Flashకు ప్రచురించిన మోడల్ ID, ధర ఉన్నా, అనుసంధాన పత్రాలు అంత పూర్తి స్థాయిలో లేవు. BIG CHANGE పరిశీలించిన పబ్లిక్ డెవలపర్ పత్రాల్లో ASR-Nextకు మోడల్ ID, ప్రాంతం లేదా ధర లేదు.

The Decoder నివేదించిన ప్రకారం Qwen ప్రకటించిన ధర తగ్గింపులు టెక్స్ట్-టు-స్పీచ్‌కు సుమారు 70%, రియల్‌టైమ్ ఆడియోకు 85%, స్పీచ్ రికగ్నిషన్‌కు 95% వరకు ఉన్నాయి. ఈ గణాంకాలను తనిఖీ చేసేటప్పుడు బిల్లింగ్ యూనిట్లూ ముఖ్యం.

పెద్ద మార్పు

• ఏం మారింది: లిఖిత మార్పిడి, రూపొందించిన ప్రసంగం నుంచి ధ్వని దృశ్యాల సృష్టి, ప్రత్యక్ష సంభాషణ వరకు వాయిస్ ఉత్పత్తిలో మరిన్ని పనులను Qwen ఇప్పుడు ఒకే హోస్ట్ చేసిన నమూనా కుటుంబంలో అందిస్తోంది. అయితే ఈ ఐదు భాగాలకూ డెవలపర్ ప్రాప్యత పత్రాలు ఒకే స్థాయిలో పూర్తి కాలేదు.
• ఇది ఎందుకు ముఖ్యం: లిఖిత మార్పిడి లేదా వాయిస్ సేవల బడ్జెట్ కట్టే డెవలపర్లకు, ప్రతి API ధరను నిర్ణయించడానికి ఆడియో నిమిషాల లెక్క ఒక్కటే సరిపోదు. టోకెన్ ఆధారిత ASR బిల్లులో వచ్చిన ఆడియోతో పాటు దాని నుంచి వచ్చిన పాఠ్యమూ లెక్కలోకి వస్తాయి; ప్రత్యక్ష సంభాషణకు విడివిడిగా ధర నిర్ణయించిన నాలుగు స్ట్రీమ్‌లు ఉన్నాయి.
• ఏం గమనించాలి: ASR-Next ప్రాప్యతతో పాటు, స్వతంత్ర భాషా, ప్రతిస్పందన ఆలస్య పరీక్షలు ఉపయోగకరమైన పొదుపును నిర్ధారిస్తాయా చూడాలి. నిర్ధారిస్తే, వాయిస్ ఏజెంట్, లిఖిత మార్పిడి, డబ్బింగ్ సేవలు ఆ పొదుపును వినియోగదారుల ధరల్లోకి అందిస్తాయా, పోటీ స్పీచ్ APIలూ ధరలను మార్చుతాయా అనేది తదుపరి ప్రశ్న.

ఐదు నమూనాల సంక్షిప్త పటం

ఇవన్నీ హోస్ట్ చేసిన API ఉత్పత్తులు. డౌన్‌లోడ్ చేసుకునే 3.1 మోడల్ బరువులు లేదా వాటి లైసెన్స్ BIG CHANGEకు కనిపించలేదు. QwenAudio GitHub భాండాగారంలోని MIT లైసెన్స్ ఆ ప్రాజెక్ట్ వెబ్‌సైట్‌కే వర్తిస్తుంది; దాన్ని మోడళ్ల లైసెన్స్‌గా భావించకూడదు.

భాషల సంఖ్య కూడా పత్రాన్ని బట్టి మారుతుంది. Qwen ధృవీకరించిన విడుదల పోస్టు ప్రకారం, ASRకు 30 భాషలు, 16 చైనీస్ మాండలికాలు ఉన్నాయని Qwen చెబుతుంది; అంతర్జాతీయ API మార్గదర్శకంలో 30 భాషలు, 10 మాండలిక రూపాలు ఉన్నాయి. డెవలపర్లు తాము నిజంగా ఉపయోగించగల APIకి జతచేసిన జాబితానే అనుసరించాలి.

95% తగ్గింపు వాదన పబ్లిక్ ధరల పట్టికతో సరిపోలడం లేదు

Alibaba ధర మార్పు ప్రకటన సెప్టెంబరు 22 నుంచి అమల్లోకి వచ్చింది. అందులోని ఖచ్చితమైన పోలిక qwen-audio-3.0-realtime-flash, కొత్త 3.1 Realtime Plusపై కాదు. సింగపూర్ ధర తగ్గింపులను (పాత ధర − కొత్త ధర) / పాత ధర సూత్రంతో లెక్కించాం:

అదే ప్రకటనలో 3.1 TTS Flash ధరను ప్రతి 10,000 అక్షరాలకు $0.15 నుంచి విడివిడిగా లెక్కించే ఇన్‌పుట్, అవుట్‌పుట్ టోకెన్ ధరలుగా మార్చినట్లు ఉంది. ప్రస్తుత ధరల పేజీ కూడా 3.1 ASRకు ఇన్‌పుట్, అవుట్‌పుట్ టోకెన్ ధరలను చూపుతుంది; 3.0 ASRలో ప్రతి ఆడియో సెకనుకు ధర, అవుట్‌పుట్ ఉచితం. ఈ రెండు ధరల జంటల్లో శాతం తేడా పాఠ్యం, ఆడియో నిడివి, టోకెన్‌లుగా విభజించే విధానంపై ఆధారపడుతుంది. అందువల్ల ఇక్కడ పరిశీలించిన పబ్లిక్ పట్టికలతో ASRకు ఖచ్చితమైన 95% తగ్గింపును మళ్లీ లెక్కించలేం.

స్వతంత్ర ఆధారాలు Qwen 3.0కే సంబంధించినవి

విడుదల రోజున పరిశీలించిన మూలాల్లో ఐదు 3.1 నమూనాల్లో దేనికీ స్వతంత్ర పరీక్ష కనిపించలేదు. Qwen స్వంత ASR ప్రాజెక్ట్ పేజీ బెంచ్‌మార్క్ ఫలితాలను నివేదిస్తుంది; వాటిని స్వతంత్రంగా మళ్లీ పరీక్షించలేదని కూడా చెబుతుంది.

Artificial Analysis తన Qwen Audio 3.0 TTS Plus ప్రొవైడర్-వాయిస్ పోటీలో (అన్ని ఉచ్చారణలు, విభాగాలు) 1,259 Eloతో రెండో స్థానంలో ఉంచింది. 95% విశ్వసనీయత పరిధి ±17; గుడ్డి పోలిక నమూనాలు 1,447. వేరొక స్పీచ్ ఏజెంట్ పోటీలో, Qwen Audio 3.0 Realtime Plusకు 699 ప్రాధాన్య Elo, తొలి ఆడియో రావడానికి 1.54 సెకన్ల సమయం నమోదయ్యాయి. కేటాయించిన సందర్భాల్లో ప్రత్యక్ష సంభాషణల ద్వారా దాచిన మోడళ్లను పాల్గొనేవారు పోలుస్తారు.