# Qwen-Audio-3.1 đổi cách tính tiền nhận dạng giọng nói từ theo giây sang theo token

> Chủ tổng đài nào lên ngân sách gỡ băng cuộc gọi cũng cần một con số: bao nhiêu tiền cho một giờ ghi âm. Với dòng nhận dạng giọng nói của Alibaba, con số đó vẫn

URL: https://mona.software/qwen-audio-3-1-doi-cach-tinh-tien-asr/
Ngày đăng: 2026-10-14T10:17:04+07:00
Cập nhật: 2026-10-14T10:17:09+07:00
Tác giả: monamedia

Chủ tổng đài nào lên ngân sách gỡ băng cuộc gọi cũng cần một con số: bao nhiêu tiền cho một giờ ghi âm. Với dòng nhận dạng giọng nói của Alibaba, con số đó vẫn tính được cho bản 3.0 nhưng chưa tính sẵn được cho bản mới. **Qwen-Audio-3.1** đổi cách tính tiền nhận dạng giọng nói từ theo giây sang theo token: bản qwen-audio-3.0-asr-flash-streaming lấy 0,00009 USD mỗi giây, khoảng 8.450 đồng một giờ, còn bản 3.1 cùng tên lấy 0,93 USD mỗi triệu token vào và 0,70 USD mỗi triệu token ra. Tài liệu của Alibaba tra ngày 14/10/2026 chưa công bố một giây âm thanh ra bao nhiêu token cho dòng nhận dạng 3.1, nên muốn biết một giờ tốn bao nhiêu thì phải chạy thử chính tệp ghi âm của mình và đọc số token hãng báo về. Bài này ghi lại các dòng giá còn quy ra giờ được, các dòng đã phải đo, và chỗ dễ hụt ngân sách nhất ở bản nói chuyện trực tiếp.

## Alibaba đưa dòng Qwen-Audio-3.1 lên Model Studio cuối tháng 9/2026

Trang [danh sách model mới của Model Studio](https://www.alibabacloud.com/help/en/model-studio/newly-released-models) ghi qwen-audio-3.1-realtime-plus lên bản quốc tế ngày 20/09/2026, cho hội thoại giọng nói hai chiều với ngữ cảnh 262.144 token, gọi hàm, tìm web và nhân bản giọng. Cùng dòng 3.1, [bảng giá Model Studio](https://www.alibabacloud.com/help/en/model-studio/model-pricing) tra ngày 14/10/2026 có bốn model nhận dạng giọng nói: qwen-audio-3.1-asr-flash-streaming cho nghe trực tiếp, qwen-audio-3.1-asr-flash-message cho nghe trực tiếp có tách câu, qwen-audio-3.1-asr-flash-filetrans cho tệp ghi âm dài và qwen-audio-3.1-asr-flash cho tệp ngắn. Bảng giá còn có qwen-audio-3.1-tts-flash đọc chữ thành tiếng, tính 0,23 USD vào và 1,87 USD ra mỗi triệu token, trong khi bản 3.0 tính theo số ký tự, 0,15 USD cho mỗi 10.000 ký tự.

Các bản tin công nghệ lúc ra mắt dẫn những mức giảm giá tính bằng nhân dân tệ cho thị trường Trung Quốc. MONA không dùng các con số đó ở đây, vì trang Alibaba Cloud bản quốc tế không in chúng và doanh nghiệp Việt gọi API ở vùng quốc tế, trả bằng USD. Bảng giá quốc tế kể một câu chuyện khác với mức giảm: đơn vị tính tiền đã đổi.

## Hai bản cùng tên, hai đơn vị tính tiền nằm cạnh nhau

Ở mục Qwen-Audio-3.x-ASR-Flash-Streaming, ngay trên bảng giá là hai dòng quy tắc. Dòng thứ nhất nói qwen-audio-3.1-asr-flash-streaming tính riêng token vào và token ra. Dòng thứ hai nói qwen-audio-3.0-asr-flash-streaming tính theo số giây âm thanh vào, chữ trả ra miễn phí. Ba mục còn lại của dòng nhận dạng cũng chia đúng như vậy: bản 3.1 theo token, bản 3.0 theo giây. Ai chỉ đọc cột giá mà bỏ qua hai dòng quy tắc phía trên sẽ tưởng 0,93 và 0,00009 là cùng một loại đơn vị.

![Bảng giá Qwen so hai cách tính tiền nhận dạng giọng nói theo token và theo giây](https://mona.software/wp-content/uploads/2026/10/qwen-audio-3-1-hai-cach-tinh-tien-streaming-mona.webp)

Mục giá Qwen-Audio-3.x-ASR-Flash-Streaming: hai dòng quy tắc phía trên nói bản 3.1 tính theo token, bản 3.0 tính theo giây; bảng ghi 0,93 USD mỗi triệu token cho bản mới và 0,00009 USD mỗi giây cho bản cũ. Nguồn: Alibaba Cloud, chụp ngày 28/09/2026, giá còn nguyên khi tra lại ngày 14/10/2026.

Bảng dưới gom các dòng nhận dạng giọng nói ở vùng Singapore, quy đổi theo tỷ giá bán ra của Vietcombank ngày 14/10/2026, 26.080 đồng mỗi USD. Cột tháng dùng một tổng đài giả định 500 cuộc mỗi ngày, mỗi cuộc 3 phút, tức 750 giờ ghi âm một tháng. Giá vùng Bắc Kinh thấp hơn nhưng không đưa vào bảng, vì lý do dữ liệu nói ở phần dưới.

| Model | Cách tính | Giá vùng Singapore | Một giờ ghi âm | 750 giờ một tháng |
| --- | --- | --- | --- | --- |
| qwen-audio-3.0-asr-flash-streaming | Theo giây, chữ ra miễn phí | 0,00009 USD mỗi giây | khoảng 8.450 đồng | khoảng 6,34 triệu đồng |
| qwen-audio-3.1-asr-flash-streaming | Theo token vào và ra | 0,93 USD và 0,70 USD mỗi triệu token | phải đo | phải đo |
| qwen-audio-3.1-asr-flash-message | Theo token vào và ra | 0,93 USD và 0,70 USD mỗi triệu token | phải đo | phải đo |
| qwen-audio-3.0-asr-flash-filetrans | Theo giây, chữ ra miễn phí | 0,000035 USD mỗi giây | khoảng 3.286 đồng | khoảng 2,46 triệu đồng |
| qwen-audio-3.1-asr-flash-filetrans | Theo token vào và ra | 0,15 USD và 0,47 USD mỗi triệu token | phải đo | phải đo |

Với bản 3.0 thì phép tính ra thẳng: một giờ là 3.600 giây, nhân 0,00009 USD ra 0,324 USD, nhân tỷ giá thành khoảng 8.450 đồng; bản filetrans 0,000035 USD mỗi giây thì ra khoảng 3.286 đồng. Đó là con số đọc từ bảng giá, đưa thẳng vào ngân sách được. Bản 3.1 thì dừng ở chữ “phải đo”. Hai ô đó chỉ điền được sau khi đo trên tệp ghi âm thật.

![Bảng giá qwen-audio-3.1-asr-flash-filetrans 0,15 USD mỗi triệu token cạnh bản 3.0 tính theo giây](https://mona.software/wp-content/uploads/2026/10/qwen-audio-3-1-asr-flash-filetrans-bang-gia-mona.webp)

Mục Qwen-Audio-3.x-ASR-Flash-Filetrans: bản 3.1 tính 0,15 USD mỗi triệu token vào và 0,47 USD mỗi triệu token ra, bản 3.0 tính 0,000035 USD mỗi giây và chữ ra miễn phí. Nguồn: Alibaba Cloud, chụp ngày 14/10/2026.

![Màn hình thống kê trong phần mềm MONA làm cho The IELTS Workshop](https://mona.software/wp-content/themes/monatheme/home-v2/assets/img/cs/ielts-thongke.webp)

Phần mềm cho việc này

Quy trình đang chạy mà phần mềm có sẵn không làm được?

MONA khảo sát nghiệp vụ trước dòng code đầu tiên.

[Viết phần mềm theo yêu cầu](https://mona.software/viet-phan-mem-theo-yeu-cau/)[Xem case study](https://mona.software/#case-study)

## Vì sao một giờ ghi âm của bản 3.1 chưa có giá niêm yết

Một giờ ghi âm luôn là 3.600 giây, còn nó thành bao nhiêu token thì cần một quy tắc quy đổi. Với các model khác cùng nhà, Alibaba có in quy tắc này: trang Qwen-Omni ghi Qwen3.8-Omni-Flash tính 7 token cho mỗi giây âm thanh vào, Qwen3-Omni-Flash tính 12,5, còn mục hội thoại giọng nói thời gian thực trong bảng giá ghi 12,5 token mỗi giây. Với dòng nhận dạng 3.1 thì MONA đọc bảng giá cùng hai trang tài liệu [nhận dạng giọng nói thời gian thực](https://www.alibabacloud.com/help/en/model-studio/qwen-real-time-speech-recognition) và [nhận dạng tệp ghi âm](https://www.alibabacloud.com/help/en/model-studio/qwen-speech-recognition) ngày 14/10/2026, và chưa thấy dòng nào in tỷ lệ token trên giây. Phần chữ trả ra cũng tính tiền, và số token chữ thì theo độ dài lời nói trong cuộc gọi.

Vẫn có hai cách ước để biết bản 3.1 rơi vào khoảng nào. Cách thứ nhất là tính điểm hoà vốn: ở mức 0,93 USD mỗi triệu token, bản 3.1 streaming chỉ đắt bằng bản 3.0 khi một giờ âm thanh sinh khoảng 348.000 token vào, tức gần 97 token mỗi giây, chưa kể chữ ra. Cách thứ hai là thử một giả định, nói rõ là giả định: nếu dòng nhận dạng 3.1 cũng tính 7 đến 12,5 token mỗi giây như các model âm thanh khác cùng nhà, thì tiền âm thanh vào của bản streaming chỉ khoảng 611 đến 1.091 đồng một giờ, và bản filetrans khoảng 99 đến 176 đồng một giờ. Hai con số này chưa phải giá; chúng chỉ cho thấy bản 3.1 nhiều khả năng rẻ hơn bản 3.0 ở phần âm thanh vào, và phần còn chưa biết nằm ở tỷ lệ token thật cùng tiền chữ ra.

![Bảng giá quốc tế của qwen-audio-3.1-asr-flash-message tính theo triệu token](https://mona.software/wp-content/uploads/2026/10/qwen-audio-3-1-asr-flash-message-bang-gia-mona.webp)

Bảng giá quốc tế của qwen-audio-3.1-asr-flash-message: 0,93 USD mỗi triệu token vào, 0,70 USD mỗi triệu token ra, hạn mức tặng 1.000.000 token và chỉ có ở vùng Singapore. Nguồn: Alibaba Cloud, chụp ngày 28/09/2026, giá còn nguyên khi tra lại ngày 14/10/2026.

Hạn mức tặng là công cụ đo có sẵn. Bản 3.1 được tặng 1.000.000 token, bản 3.0 được tặng 36.000 giây tức 10 giờ, cả hai chỉ có ở vùng Singapore và hết hạn sau 90 ngày tính từ ngày kích hoạt Model Studio, ngày model ra mắt hoặc ngày được duyệt, lấy mốc muộn nhất. Ở vùng Bắc Kinh, bản 3.1 streaming rẻ hơn, 0,848 USD vào và 0,636 USD ra, nhưng không có quota tặng và đặt dữ liệu cuộc gọi của khách Việt ở Trung Quốc đại lục là một quyết định pháp lý riêng theo [Nghị định 356/2025 về dữ liệu cá nhân](https://mona.software/nghi-dinh-356-2025-du-lieu-ca-nhan-phan-mem/).

## Bản nói chuyện với khách tính tiền cả âm thanh lẫn phần chữ model nói ra

Bản dùng để nói chuyện trực tiếp với khách trong dòng Omni là qwen3.8-omni-flash-realtime, và mục Qwen-Omni-Realtime trong bảng giá vùng Singapore ghi bốn mức: 0,23 USD cho chữ và hình vào, 0,93 USD cho âm thanh vào, 0,70 USD cho chữ ra và 1,87 USD cho âm thanh ra, tính trên mỗi triệu token. Ngay trên bảng là câu dễ trượt mắt nhất: với phần nói ra, bản 3.8 tính tiền cả âm thanh lẫn phần chữ tương ứng, mỗi thứ theo giá đầu ra của nó, còn các bản Qwen3.5-Omni-Realtime chỉ tính âm thanh. Ai dựng ngân sách bằng cách nhân số phút model nói với giá âm thanh ra sẽ hụt phần chữ đó, mà phần chữ thì luôn có vì model sinh chữ trước khi đọc thành tiếng.

![Bảng giá bản realtime của Qwen ghi giá riêng cho âm thanh và cho chữ](https://mona.software/wp-content/uploads/2026/10/qwen3-8-omni-flash-realtime-tinh-tien-chu-va-am-thanh-mona.webp)

Mục Qwen-Omni-Realtime: đoạn chữ phía trên bảng ghi bản qwen3.8-omni-flash-realtime tính tiền cả âm thanh lẫn phần chữ của câu nói ra; bảng bên dưới tách bốn cột giá vào và ra. Nguồn: Alibaba Cloud, chụp ngày 28/09/2026, nội dung còn nguyên khi tra lại ngày 14/10/2026.

Mục hội thoại giọng nói thời gian thực còn ghi thêm một khoản nữa: trong cuộc nói chuyện nhiều lượt, lời khách, chữ model đã trả lời và hướng dẫn hệ thống đều được đọc lại và tính như đầu vào ở mỗi lượt sau, nên cuộc gọi càng dài thì mỗi lượt càng tốn hơn lượt trước. Theo tài liệu, âm thanh model nói ra chỉ tính một lần lúc phát và không đưa vào ngữ cảnh. Con số cụ thể cho bản qwen3.8-omni-flash-realtime, gồm 7 token mỗi giây âm thanh vào và 12,5 token mỗi giây âm thanh ra, nằm trong bài [Qwen3.8-Omni-Flash nghe cuộc gọi](https://mona.software/qwen3-8-omni-flash-nghe-cuoc-goi/).

## Con số 169 đồng mỗi giờ của Qwen3.8-Omni-Flash đã đổi thành khoảng 99 đồng

Cuối tháng 9, phép tính tiền nghe một giờ cuộc gọi bằng qwen3.8-omni-flash ra 169 đồng, dựa trên mức 12 token cho mỗi giây âm thanh. Tra lại ngày 14/10/2026, trang Qwen-Omni ghi rõ Qwen3.8-Omni-Flash tính 7 token mỗi giây âm thanh vào, giá vẫn 0,15 USD mỗi triệu token ở vùng Singapore, nên một giờ nghe còn khoảng 99 đồng theo tỷ giá 26.080 đồng mỗi USD. Chuyện này cho thấy một thói quen đáng giữ: con số đồng mỗi giờ quy từ giá token luôn kèm ngày tra và quy tắc quy đổi đã dùng, vì quy tắc có thể được in thêm hoặc sửa mà bảng giá không đổi một chữ. Chuyện cách tính tiền đổi dưới bảng giá cũng gặp ở hãng khác, ví dụ mốc độ dài ngữ cảnh trong bài [Grok 4.7 vượt 200.000 token giá gấp đôi](https://mona.software/grok-4-7-vuot-200k-token-gia-gap-doi/).

## Đo số token của chính tệp ghi âm trước khi chốt ngân sách

Doanh nghiệp đang trả tiền gỡ băng theo giây có hai lựa chọn hợp lý. Cần con số chốt được ngay cho ngân sách quý thì dùng bản 3.0, giá theo giây in sẵn. Muốn chuyển sang 3.1 thì đo trước bằng quota tặng. Một triệu token đủ cho một lượt đo cỡ 100 cuộc gọi nếu tỷ lệ token mỗi giây nằm quanh mức của các model âm thanh khác cùng nhà, và nếu quota cạn sớm thì chính điều đó đã là một tín hiệu về giá. Thứ tự đo như sau:

1. Lấy 100 cuộc gọi đã ghi âm, thay tên và số điện thoại của khách bằng dữ liệu mẫu cùng định dạng.
2. Chia làm hai nhóm, cuộc gọi yên tĩnh và cuộc gọi nhiều tiếng ồn nền, ghi số giây âm thanh của từng cuộc.
3. Chạy cả 100 cuộc qua bản 3.1 ở vùng Singapore bằng quota tặng 1.000.000 token, ghi số token vào và token ra hãng báo về cho từng cuộc.
4. Chia số token vào cho số giây để ra tỷ lệ token mỗi giây của giọng khách thật, tính riêng từng nhóm.
5. Quy về đồng mỗi giờ, cộng tiền chữ ra, rồi đặt cạnh mức khoảng 8.450 đồng của bản 3.0 streaming hoặc 3.286 đồng của bản 3.0 filetrans trước khi quyết định.

Kết quả gỡ băng chỉ có giá khi đi được vào phần mềm đang dùng: gắn vào hồ sơ từng khách trong [phần mềm CRM quản lý khách hàng](https://mona.software/phan-mem-quan-ly-khach-hang/), làm dữ liệu cho [quy trình chăm sóc khách hàng sau bán hàng](https://mona.software/quy-trinh-cham-soc-khach-hang-sau-ban-hang/), hoặc làm đầu vào cho [chatbot chăm sóc khách hàng](https://mona.software/chatbot-cham-soc-khach-hang/) học câu hỏi khách hay gọi tới. Rà chi phí API AI theo tháng cũng nên làm như rà các khoản thuê bao phần mềm khác, cách MONA gợi ý trong bài [rà chi phí phần mềm thuê bao khi Microsoft tăng giá CSP](https://mona.software/microsoft-csp-tang-gia-quan-ly-chi-phi-saas/). Với việc gỡ băng thuần, so thêm với [Meta Muse Voice Transcribe giá 0,18 USD mỗi giờ](https://mona.software/meta-muse-voice-transcribe-gia-018-usd-moi-gio/), dịch vụ vẫn niêm yết theo thời gian.

## Hỏi đáp

### Qwen-Audio-3.1 nhận dạng giọng nói giá bao nhiêu một giờ?

Chưa có giá theo giờ. Bản 3.1 tính 0,93 USD mỗi triệu token vào và 0,70 USD mỗi triệu token ra cho streaming, 0,15 và 0,47 USD cho filetrans, và tài liệu tra ngày 14/10/2026 chưa in tỷ lệ token mỗi giây, nên phải đo trên tệp ghi âm thật.

### Bản Qwen-Audio-3.0 tính bao nhiêu một giờ ghi âm?

Bản 3.0 streaming 0,00009 USD mỗi giây, khoảng 8.450 đồng một giờ; bản 3.0 filetrans 0,000035 USD mỗi giây, khoảng 3.286 đồng một giờ, theo tỷ giá bán ra Vietcombank 26.080 đồng mỗi USD ngày 14/10/2026. Chữ trả ra miễn phí.

### Quota tặng của Qwen-Audio-3.1 dùng ở đâu?

Chỉ ở vùng Singapore: 1.000.000 token cho bản 3.1 và 36.000 giây cho bản 3.0, hết hạn sau 90 ngày tính từ mốc muộn nhất trong ba mốc hãng ghi. Vùng khác không có quota tặng.

### Tính tiền bản nói chuyện trực tiếp bằng giá âm thanh ra đã đủ chưa?

Chưa đủ. Bản qwen3.8-omni-flash-realtime tính cả phần chữ tương ứng với câu model nói ra, và trong hội thoại nhiều lượt thì lịch sử trước đó được tính lại như đầu vào ở mỗi lượt.

### Có nên đổi ngay từ bản 3.0 sang bản 3.1 không?

Chỉ đổi sau khi đã đo tỷ lệ token mỗi giây trên giọng khách của mình và so tổng tiền với bản 3.0. Tài liệu chưa có bảng điểm riêng cho tiếng Việt, nên lần đo đó cũng là lúc chấm độ chính xác trên số tiền, số điện thoại và tên riêng.

Đổi đơn vị tính tiền là loại thay đổi khiến một hệ thống đang chạy âm thầm đắt lên hoặc rẻ đi mà không ai để ý. MONA dựng phần ghép model giọng nói vào tổng đài và CRM trong dịch vụ [viết AI Agent theo yêu cầu](https://mona.software/viet-ai-agent-theo-yeu-cau/), kèm phần ghi số token từng cuộc gọi để hoá đơn API luôn quy ra được đồng mỗi giờ; phần mềm chăm sóc khách hàng làm mới từ đầu thì qua [dịch vụ viết phần mềm theo yêu cầu](https://mona.software/viet-phan-mem-theo-yeu-cau/). Doanh nghiệp muốn đo một tháng ghi âm của mình ra bao nhiêu token có thể gọi hotline 1900 636 648.

## Câu hỏi thường gặp

### Qwen-Audio-3.1 nhận dạng giọng nói giá bao nhiêu một giờ?

Chưa có giá theo giờ. Bản 3.1 tính 0,93 USD mỗi triệu token vào và 0,70 USD mỗi triệu token ra cho streaming, 0,15 và 0,47 USD cho filetrans, và tài liệu tra ngày 14/10/2026 chưa in tỷ lệ token mỗi giây, nên phải đo trên tệp ghi âm thật.

### Bản Qwen-Audio-3.0 tính bao nhiêu một giờ ghi âm?

Bản 3.0 streaming 0,00009 USD mỗi giây, khoảng 8.450 đồng một giờ; bản 3.0 filetrans 0,000035 USD mỗi giây, khoảng 3.286 đồng một giờ, theo tỷ giá bán ra Vietcombank 26.080 đồng mỗi USD ngày 14/10/2026. Chữ trả ra miễn phí.

### Quota tặng của Qwen-Audio-3.1 dùng ở đâu?

Chỉ ở vùng Singapore: 1.000.000 token cho bản 3.1 và 36.000 giây cho bản 3.0, hết hạn sau 90 ngày tính từ mốc muộn nhất trong ba mốc hãng ghi. Vùng khác không có quota tặng.

### Tính tiền bản nói chuyện trực tiếp bằng giá âm thanh ra đã đủ chưa?

Chưa đủ. Bản qwen3.8-omni-flash-realtime tính cả phần chữ tương ứng với câu model nói ra, và trong hội thoại nhiều lượt thì lịch sử trước đó được tính lại như đầu vào ở mỗi lượt.

### Có nên đổi ngay từ bản 3.0 sang bản 3.1 không?

Chỉ đổi sau khi đã đo tỷ lệ token mỗi giây trên giọng khách của mình và so tổng tiền với bản 3.0. Tài liệu chưa có bảng điểm riêng cho tiếng Việt, nên lần đo đó cũng là lúc chấm độ chính xác trên số tiền, số điện thoại và tên riêng. Đổi đơn vị tính tiền là loại thay đổi khiến một hệ thống đang chạy âm thầm đắt lên hoặc rẻ đi mà không ai để ý. MONA dựng phần ghép model giọng nói vào tổng đài và CRM trong dịch vụ viết AI Agent theo yêu cầu, kèm phần ghi số token từng cuộc gọi để hoá đơn API luôn quy ra được đồng mỗi giờ; phần mềm chăm sóc khách hàng làm mới từ đầu thì qua dịch vụ viết phần mềm theo yêu cầu. Doanh nghiệp muốn đo một tháng ghi âm của mình ra bao nhiêu token có thể gọi hotline 1900 636 648.