Qwen-Audio-3.1, 음성 모델 5종 공개와 최대 95% API 가격 인하

듣고, 말하고, 실시간으로 대화하고, 소리를 만드는 전 과정을 한 회사가 다루게 된 셈이고, 이와 함께 음성 API 가격이 크게 내려갔다. TTS는 약 70%, Realtime은 약 85%, ASR은 최대 95% 인하된다.

작동 방식

ASR-Next는 서로 다른 화자를 타임스탬프와 함께 구분하고, 감정과 배경음, 기계 소음도 감지한다. TTS-Next는 언어 모델과 확산 방식을 짝지어, 텍스트와 타임스탬프, 최대 세 개의 참고 클립으로부터 목소리, 효과음, 주변 소리를 한 번에 만들어 낸다. Realtime 모델은 듣는 동시에 말하며, 문장 중간에 끼어들어도 된다.

주요 스펙 정리

모델: ASR, ASR-Next, TTS, TTS-Next, Realtime.

ASR 언어: 30개 언어와 중국어 방언 16종.

ASR 지연: 첫 글자까지 약 160 ms.

가격 인하: TTS 약 70%, Realtime 약 85%, ASR 최대 95%.

제공 방식: Alibaba Cloud Model Studio의 호스팅 API.

알리바바는 ASR 모델이 공개 방언 시험에서 평균 문자 오류율 4.55%를 기록해 11개 하위 세트 중 6개에서 경쟁 모델을 앞섰다고 밝혔다.

TTS-Next의 입출력과 가격

Qwen-Audio-3.1-TTS-Next는 말, 효과음, 주변음을 섞은 완성된 오디오를 한 번에 생성한다. 입력은 최대 3,000자의 텍스트와 각 30초짜리 참고 클립 최대 세 개이며, 출력은 WAV, MP3, PCM으로 최대 120초, 팟캐스트는 240초이다. 모델 문서가 밝힌 지원 언어는 중국어와 영어이다.

Model Studio의 중국(베이징) 리전에서 TTS-Next는 입력 100만 토큰당 0.848달러, 출력 100만 토큰당 1.696달러이며 초당 3건의 요청 제한이 있다. 다른 리전과 나머지 네 모델의 가격은 각각의 Model Studio 페이지에 나와 있다. 모델 ID는 qwen-audio-3.1-tts-next이다.

가격 인하를 어떻게 볼까

인하 폭은 모델마다 다르다. TTS는 약 70%, Realtime은 약 85%, ASR은 최대 95%이다. 음성 인식은 통화 녹음이나 회의 기록처럼 처리량이 많은 서비스에서 비용 비중이 크기 때문에 95%라는 숫자의 영향이 특히 크다. 다만 ASR은 최대 95%이므로 모든 상품이 그만큼 내려가는 것은 아니며, 정확한 요금은 각 모델의 Model Studio 가격 페이지에서 확인해야 한다.

모델 다섯 개 한눈에 보기

ASR은 정확한 다국어 및 방언 받아쓰기, ASR-Next는 화자 구분과 감정, 배경음 이해, TTS는 음성 합성, TTS-Next는 목소리와 효과음과 주변음을 한 번에 만드는 장면 생성, Realtime은 듣고 말하며 끼어들기를 받는 실시간 대화를 맡는다. 용도에 따라 이 다섯 가지를 조합해 음성 에이전트를 구성할 수 있다.

ASR-Next는 무엇이 다른가

ASR-Next는 받아쓰기를 넘어선다. 화자를 시간 정보와 정렬된 텍스트로 나누고, 감정, 주변음, 기계 소음을 인식해 소리 캡션 작성, 사건 위치 찾기, 오디오 클립에 대한 질문 답변 같은 작업을 돕다. 기본 ASR은 군더더기 말을 제거한 정확한 다국어 및 방언 받아쓰기에 집중한다.

왜 중요한가, 그리고 유의점

70~95%의 가격 인하는 Qwen 기반 음성 에이전트와 받아쓰기 앱의 비용 부담을 낮춘다. 가중치 공개는 아니라는 점은 알아 둘 필요가 있다. 출시를 다룬 보도는 API 접근과 가격 인하만 언급하고 내려받을 수 있는 가중치는 말하지 않으므로, 로컬 실행이 아니라 클라우드 서비스로 호출한다고 보는 것이 맞는다. 주요 대상은 음성 에이전트, 받아쓰기, 오디오 콘텐츠를 만드는 개발자이다.