← Voltar ao blog
Aicerca de 7 min de leitura

Alibaba dividiu o agente de voz em dois e depois cortou o preço em até 95%

Publicado 2 de out. de 2026
Alibaba dividiu o agente de voz em dois e depois cortou o preço em até 95%

A equipe Qwen da Alibaba lançou o Qwen-Audio-3.1 na última semana de setembro de 2026, um stack de áudio com cinco modelos que cobre reconhecimento de fala, conversão de texto em fala e interação em tempo real. Os números que circularam mais rápido foram os cortes de preço: cerca de 85% de desconto no modelo em tempo real, aproximadamente 70% em conversão de texto em fala e até 95% em reconhecimento automático de fala.

Os números importam porque chegam em uma semana em que toda a indústria estava cortando preços. Microsoft, OpenAI e Anthropic lançaram modelos mais baratos ou reequilibrados no mesmo período, e o movimento da Alibaba é lido como uma escalada deliberada especificamente em áudio. Mas o mais interessante no Qwen-Audio-3.1 não é o desconto. É como o modelo principal foi construído.

Dois modelos por trás de uma voz

O modelo principal é o Qwen-Audio-3.1-Realtime, um sistema de fala full-duplex criado para agentes de voz que precisam chamar ferramentas no meio de uma conversa.

Sua decisão central de design é uma divisão. Em vez de um único sistema grande ponta a ponta que escuta e fala, o Qwen executa dois modelos com um codificador de áudio compartilhado e um backbone de modelo de linguagem. Um modelo de decisão prevê se deve continuar escutando, começar a falar, parar ou retomar. Um modelo generativo separado cuida da fala propriamente dita. Em termos simples, um modelo decide quando falar e o outro decide o que dizer.

Essa divisão é uma resposta prática a uma falha específica. Agentes de voz parecem quebrados na maioria das vezes não porque entendem você errado, mas porque julgam mal o momento. Eles falam por cima de você, ou ficam em silêncio, ou respondem antes de você terminar. O tratamento geralmente tem sido acoplar a alternância de turnos a um modelo maior e esperar que o comportamento surja. O Qwen está tratando "quando falar" como um problema de engenharia próprio, com seu próprio modelo, separado da geração de conteúdo. A empresa relata que respostas direcionadas ao interlocutor errado caíram de 0,13 para 0,03 em um benchmark, e a taxa de palavras de preenchimento caiu de 0,759 para 0,296 em outro. Também relata um trade-off, com a taxa de retomada indesejada após uma interrupção subindo de 0,035 para 0,130, que é o tipo de divulgação que notas de lançamento raramente incluem.

O modelo está disponível como uma API gerenciada. O Qwen-Audio-3.1-Realtime-Plus roda no QwenCloud via WebSocket. Não há pesos abertos, o que importa para quem acompanha o trabalho de imagem aberta do Qwen, porque o stack de áudio está sendo operado como um produto fechado e gerenciado.

As especificações e os preços

O endpoint em tempo real lista texto e áudio tanto como entrada quanto como saída. O contexto vai até 262K tokens, com máximo de 245K de entrada e 16K de saída. Os limites padrão de throughput são 60 requisições e 100.000 tokens por minuto. O preço é US$ 6,4 por milhão de tokens de entrada de áudio e US$ 0,8 por milhão de tokens de entrada de texto, com saída combinada de texto e áudio a US$ 24 por milhão e saída de texto sem cobrança alguma. Chamada de funções, busca na web, saídas estruturadas, cache de contexto e ajuste fino são todos integrados.

Um modelo complementar, Qwen-Audio-3.1-ASR-Flash-Filetrans, é voltado à transcrição offline de áudio longo. Ele suporta hot words, separação de falantes, pontuação e reconhecimento em vários idiomas, além de dialetos chineses, a US$ 0,15 de entrada e US$ 0,47 de saída por milhão de tokens. Para quem já precificou transcrição de formato longo em escala, essa é uma queda acentuada no que costumava ser um custo fixo.

A história de treinamento é organizada em três camadas, que o Qwen rotula como Think, Act e Speak. A camada Think reancora o modelo de áudio a um modelo de texto de origem usando dados pareados em escala de milhões de horas e, em seguida, aplica destilação on-policy em vez de imitação de respostas pré-escritas. A camada Act constrói ambientes executáveis, cada um reunindo um conjunto de ferramentas, um banco de dados com estado e uma política de negócios escrita, com tarefas avaliadas primeiro pelo estado terminal. A camada Speak decide se, quando e como falar.

O detalhe na camada Act é o que vale a pena pausar. A pontuação verifica o estado resultante antes de verificar a formulação, então uma resposta fluente não pode salvar uma ação falha. Essa é a maneira correta de avaliar um agente que deve fazer algo em vez de apenas conversar sobre isso.

Por que a guerra de preços é a verdadeira história

Deixe de lado a arquitetura e o Qwen-Audio-3.1 é um movimento estratégico claro: a Alibaba está disputando com OpenAI e Google o custo e a latência da infraestrutura de voz, e não a abertura.

A comparação que torna isso legível é a latência. O Qwen relata uma latência de parada em interrupção de cerca de 1,116 segundos, contra 0,383 segundos do GPT-Realtime-2. Ser mais lento para parar quando um usuário interrompe é uma fraqueza visível, e o fato de o Qwen ter publicado isso junto com as vitórias diz algo sobre o estado da cultura de benchmarks em áudio, onde números honestos ainda são um diferencial.

Para quem constrói, o efeito prático é um backend mais barato. Se a fala em tempo real está 85% mais barata e o reconhecimento até 95% mais barato, recursos de voz antes reservados a planos premium tornam-se viáveis em produtos comuns. Escuta sempre ativa, tradução ao vivo e interfaces faladas para agentes estão todos a jusante dessa curva de custo. Quando o custo de um minuto falado despenca, decisões de produto que eram inacessíveis no trimestre passado tornam-se óbvias neste.

A ressalva é a que se aplica a toda API gerenciada. Você obtém o comportamento, não os internos. Você não pode inspecionar o modelo de alternância de turnos, ajustar a lógica de decisão com seus próprios dados de uma forma que você controle totalmente, nem executar o stack no seu próprio hardware. Para a maioria das startups, essa é uma troca aceitável. Para quem constrói algo em que o perfil de latência ou o caminho dos dados é o produto, é uma dependência que vale a pena precificar.

O contexto competitivo afia o argumento. No mesmo período de setembro, OpenAI e Anthropic lançaram modelos enquadrados em fazer mais trabalho a um custo menor, e a Microsoft adicionou um modelo de transcrição em streaming e dois modelos de conversão de texto em fala à sua linha própria. Áudio não é mais um canto tranquilo onde um laboratório menor pode ser o melhor sem ninguém notar. É uma categoria na qual os maiores players competem publicamente por preço e latência, o que é uma boa notícia para compradores e uma pressão para quem cobra um prêmio por voz.

O que observar

A pergunta óbvia é se o Qwen eventualmente vai abrir o código de alguma parte desse stack, e como o design de dois modelos se sustenta sob carga real de chamadas de ferramentas em múltiplos turnos, e não em condições de benchmark. Separar a alternância de turnos do conteúdo é elegante no papel. Se continua elegante quando um usuário interrompe, muda de ideia e troca de tarefa no meio da frase é o tipo de pergunta que demos não respondem.

Por ora, a conclusão é mais estreita e mais clara. A Alibaba pegou a parte dos agentes de voz que parecia mais quebrada, deu um nome a ela e lhe deu um modelo dedicado. Depois cortou o preço até que toda a categoria ficasse mais barata. Se o próximo ano de produtos de voz for construído sobre fala mais barata e mais interrompível, este lançamento vai parecer uma das razões.

Artigos relacionados