Alibaba lanza Qwen-Audio 3.1 y recorta hasta un 95% los precios de su voz con IA

Alibaba ha presentado Qwen-Audio 3.1, una familia de cinco modelos de voz, y ha anunciado rebajas de precios en sus interfaces de programación. El titular que más ha circulado habla de un recorte del 95%, pero conviene precisarlo: según The Decoder, ese es el máximo, y se aplica al reconocimiento de voz. La síntesis baja alrededor de un 70% y la conversación en tiempo real, cerca de un 85%. El anuncio es del 23 de septiembre y llega en plena competencia de precios en el audio con IA.

Los cinco modelos

Tres son mejoras de modelos existentes: reconocimiento de voz (ASR), síntesis de voz (TTS) y conversación en tiempo real. Dos son nuevos. El modelo de reconocimiento mejora el manejo de varios idiomas y dialectos y limpia automáticamente muletillas y repeticiones de las transcripciones. ASR-Next va más allá: identifica a varios hablantes con marcas de tiempo y detecta emociones, sonidos ambientales y ruido de máquinas. En síntesis, el modelo TTS permite controlar emoción, velocidad y estilo con indicaciones de texto y transferir una voz entre idiomas, y TTS-Next combina un modelo de lenguaje con un enfoque de difusión para generar en una sola pasada voz, efectos de sonido y audio de fondo.

Qué rebajas hay, exactamente

• Reconocimiento de voz: hasta un 95% más barato.
• Conversación en tiempo real: alrededor de un 85%.
• Síntesis de voz: alrededor de un 70%.

Son cifras de la propia compañía recogidas por la prensa especializada, y el impacto real depende del punto de partida de cada cliente y de qué modelo use. Un análisis de byteiota sugiere que, para quien pague hoy unos 100 dólares por millón de caracteres a un proveedor occidental de síntesis, conviene revisar la factura, aunque el ahorro dependa de la carga de trabajo.

Matices y límites

• Despliegue escalonado: según Superpower Daily, el catálogo recomendado de Alibaba Cloud lista modelos de reconocimiento y de tiempo real de la versión 3.1, pero su opción de síntesis recomendada sigue siendo la 3.0. Otra cobertura indica que TTS-Next y ASR-Next llegan «próximamente».
• Solo en la nube: se ofrecen como servicio de Alibaba Cloud Model Studio, y las coberturas no mencionan pesos descargables, así que no pueden ejecutarse en local.
• Idiomas: según byteiota, la síntesis 3.1 admite 16 idiomas, frente a los 74 de ElevenLabs.
• Datos y región: no se han publicado detalles de precios regionales, y los requisitos de residencia de datos pueden descartar el servicio para algunas empresas, sea cual sea el precio.

Por qué importa

El coste de la voz es uno de los frenos para poner agentes conversacionales y transcripción a gran escala. Si los precios se acercan a los que anuncia Alibaba, cambian las cuentas de las empresas de atención al cliente, de accesibilidad y de aplicaciones multilingües. Es una presión directa sobre competidores como OpenAI, Google y ElevenLabs, y llega el mismo mes en que Google presentó sus modelos de voz que se diseñan describiéndolos. Y refuerza el debate sobre la transparencia de las voces sintéticas y sobre agentes que ya llaman por nosotros, como Gemini llamando a empresas.

Qué implica en la práctica

• Para equipos técnicos: medir con la propia carga de trabajo, en el idioma real, antes de migrar.
• Para empresas europeas: comprobar dónde se procesa el audio y qué dice el contrato sobre datos personales.
• Para el mercado: esperar respuestas de precio de los competidores.

Nuestra lectura

El recorte es significativo, pero el titular de un 95% no describe el cuadro completo: la mayor rebaja es en reconocimiento y el resto de la gama baja menos. Lo más relevante es el patrón de fondo, una carrera de precios en la que los proveedores compiten por volumen y no solo por calidad. Como siempre, conviene contrastar con pruebas independientes de precisión, latencia y cobertura de idiomas antes de basar un producto en un anuncio.

Fuentes: The Decoder, Superpower Daily, byteiota y AI/TLDR.