AssemblyAI-TTS-1 vs. Qwen-Audio-3.0-TTS: Das im Titel genannte Modell ist nicht das, das man kaufen sollte

Dieser Vergleich nennt Qwen-Audio-3.0-TTS, und das ist ein Problem, das behoben werden sollte, bevor irgendwelche Zahlen genannt werden. Alibaba hat 3.0 am 23. September 2026 als sein Flaggschiff-Sprachmodell eingestellt, als die Qwen-Audio-3.1-Serie auf der Apsara-Konferenz vorgestellt wurde und Qwen-Audio-3.1-TTS-Plus an die Spitze seiner eigenen TTS-Reihe setzte. Die ehrliche Version dieses Vergleichs sind also drei Modelle, nicht zwei – AssemblyAI-TTS-1, der geschlossene Endpunkt für 15 US-Dollar pro Million Zeichen, der am 27. Oktober 2026 allgemein verfügbar wurde, gegen beide Generationen von Qwens Sprach-Stack – und die Antwort ändert sich je nachdem, welches Qwen Sie tatsächlich meinten. Wenn Ihr Vertrag, Ihre Integration oder Ihr Beschaffungsvermerk 3.0 sagt, lesen Sie den nächsten Abschnitt. Wenn dort 3.1 steht, überspringen Sie ihn.

Zuerst die Korrektur: 3.0 ist nicht die aktuelle Qwen-Version.

Qwen-Audio-3.0-TTS wurde am 20. Juli 2026 in zwei Varianten veröffentlicht. Flash wurde für den Echtzeiteinsatz mit einer First-Packet-Latenz von rund 300 ms entwickelt; Plus war die Qualitätsvariante zu 27,59 US-Dollar pro Million Zeichen über Alibaba Cloud Model Studio. Die Modellfamilie umfasst 16 Sprachen sowie 20 chinesische Dialektregionen, unterstützt 86 Inline-Steuer-Tags wie [angry] und [giggles] neben frei formulierten Stilanweisungen in natürlicher Sprache, beherrscht rauschrobustes Zero-Shot-Cloning, gibt Audio mit 48 kHz aus und synthetisiert bis zu drei Minuten in einem einzigen Durchgang. Es ist geschlossen und ausschließlich gehostet — keine offenen Gewichte, was eine bewusste Abkehr von Alibabas früherem Open-Weight-Qwen3-TTS war.

Zehn Wochen später ersetzte der 3.1-Stack ihn in ASR, TTS, TTS-Next und realtime. Die 3.1-TTS-Stufe umfasst dieselbe 8-Stimmen-Aufstellung, steht in der Preisspalte von Artificial Analysis mit 19,3 US-Dollar pro Million Zeichen und ist der Eintrag, den die meisten Qwen-Vergleiche seit Ende September tatsächlich gemeint haben. Praktisch gesagt: 3.0 ist weiterhin aufrufbar, wenn Sie bereits integriert sind, 3.1 ist das, was einem neuen Käufer angeboten wird, und jeder Artikel, der den Juli-Wert von 3.0 neben einen Oktober-Launch stellt, ohne das zu erwähnen, verkauft Ihnen einen veralteten Vergleich.

Das Board, einmal gelesen, für alle drei.

Artificial Analysis’ Provider Voice Arena, ausgelesen am 30. Oktober 2026, sodass für jede der folgenden Zeilen dasselbe Instrument gilt:

• Qwen-Audio-3.1-TTS-Plus — Dritter, 1.305 Elo, 2.281 Stichproben, veröffentlicht im September 2026.

• Qwen-Audio-3.0-TTS-Plus — Siebter, 1.269 Elo, 2.794 Samples, veröffentlicht Juni–Juli 2026.

• AssemblyAI-TTS-1 — vierzehnter, 1.227 Elo, 1.632 Samples, veröffentlicht im Oktober 2026.

• ElevenLabs Eleven v4 Turbo und Eleven v4 belegen mit 1.336 bzw. 1.334 die Plätze eins und zwei – als Referenzpunkt, um den es in diesem Artikel nicht geht.

Die 78-Punkte-Lücke zwischen AssemblyAI-TTS-1 und der aktuellen Qwen-TTS-Stufe ist real, aber nicht die größte Lücke in diesem Duell – ElevenLabs liegt bei derselben Messung 31 Punkte über Qwen und 109 über AssemblyAI. Wichtiger ist, dass eine Zeile mit 1.632 Stichproben für ein vier Tage altes Modell dünne Evidenz ist und die Intervalle auf dieser Tabelle weit genug sind, dass ein erneuter Durchlauf AssemblyAI-TTS-1 um ein paar Plätze verschieben könnte, ohne dass sich irgendetwas am Modell ändert.

Sechzehn Zeichen pro Sekunde ist die Zahl, die darüber entscheidet.

Hier ist die Messgröße, die fast niemand in einen Qwen-Vergleich einbezieht, und sie ist diejenige, die für die Aufgabe entscheidend ist, für die AssemblyAI-TTS-1 entwickelt wurde.

Artificial Analysis misst AssemblyAI-TTS-1 bei 162 Zeichen pro Sekunde Synthese. Qwen-Audio-3.0-TTS-Plus erzeugt bei derselben Art der Messung etwa 16 Zeichen pro Sekunde – das langsamste Modell, das auch nur annähernd an der Spitze der Arena liegt. Die 3.1-Stufe verbesserte das, aber die Generierungsgeschwindigkeit bleibt weiterhin die schwache Achse der Familie und nicht ihre Stärke.

Kommen wir nun zu der einzigen Einheit, die für einen Live-Agenten zählt. Normale Sprache läuft bei ungefähr 900 Zeichen pro Minute, also 15 Zeichen pro Sekunde. Ein Modell, das 16 Zeichen pro Sekunde erzeugt, liegt – von Rundungsfehlern abgesehen – bei Echtzeitfaktor 1,0: Es kann gerade eben mit einem einzelnen Wiedergabestream Schritt halten und kann ohne zusätzliche Hardware dahinter keine zwei gleichzeitigen Gespräche bedienen. Ein Modell mit 162 Zeichen pro Sekunde hat pro Einheit derselben Rechenleistung ungefähr zehn Streams Spielraum.

Das verschiebt die Perspektive auf die Elo-Lücke. Ein Rückstand von 78 Punkten bei der Blindpräferenz ist eine Qualitätsfrage, die man mit dem eigenen Korpus beantworten kann. Ein Durchsatzdefizit um den Faktor zehn ist eine Kapazitätsfrage, die als Rechnung auf einen zukommt, denn die Lösung sind mehr GPU-Sekunden pro gleichzeitigem Aufrufer, und bei Alibabas Hosted-Pricing ist das kein Hebel, den man selbst kontrolliert.

Beide Einschränkungen, offen gesagt. Das sind zwei Anbieter, gemessen mit einem einzigen Instrument, kein kontrollierter direkter Vergleich; der Generierungsdurchsatz hängt von Hardware, Batching und Sequenzlänge ab. Und Qwens 12,5-Hz-Sprach-Tokenizer – bewusst niedrig im Vergleich zu den üblichen 50–75 Hz – ist es, was seine First-Packet-Latenz auf dem Flash-Tier nahe 300 ms hält. Qwen hat auf Latenz bis zum ersten Ton optimiert. AssemblyAI hat auf Zeichen pro Sekunde optimiert, sobald der Turn beginnt. Das sind unterschiedliche Wetten, und ein Telefonagent spürt beide.

Sprachen und Steuerungs-Tags sind Bereiche, in denen Qwen nicht annähernd zu schlagen ist.

Wenn das Durchsatzargument den Callcenter-Fall entscheidet, entscheidet das Sprachargument alles andere, und das ist nicht subtil:

• Abdeckung — Qwen-Audio-3.0-TTS unterstützt 16 Sprachen und 20 chinesische Dialektregionen; AssemblyAI-TTS-1 wurde mit sechs Sprachen (Englisch, Spanisch, Französisch, Deutsch, Italienisch, Portugiesisch) und mehreren Akzenten innerhalb dieser Sprachen eingeführt.

• Ausrichtung — Qwen bietet 86 Inline-Steuertags plus frei formulierte Stil-Prompts; AssemblyAI-TTS-1 hat zum Marktstart keine Emotional-Tags, kein SSML, keinen Geschwindigkeitsparameter und kein Aussprachewörterbuch, und in seinem eigenen Beitrag heißt es, geschriebene Disfluenzen würden so vorgelesen, wie sie geschrieben sind, statt interpretiert zu werden.

• Klonen — Qwen bietet rauschrobustes Zero-Shot-Cloning; AssemblyAI bietet Instant-Cloning anhand einer 24-Sekunden-Probe mit einem Bestätigungsschritt zur Sprechererlaubnis. Keiner der beiden bietet eine Stufe für trainierte professionelle Klone, die ein ElevenLabs-Produkt ist und kein Qwen- oder AssemblyAI-Produkt.

• Ausgabe — Qwen synthetisiert mit 48 kHz und einer Obergrenze von drei Minuten pro Einzeldurchlauf; AssemblyAI streamt 8–48 kHz PCM, µ-law oder A-law mit Wort-Zeitstempeln und einer Barge-in-Abbruchmeldung, also genau die Infrastruktur, die ein Telefonie-Stack tatsächlich benötigt.

• Offenheit – keiner der beiden veröffentlicht die Gewichte. Beide sind ausschließlich gehostet, regionenintern und anbieterpreisgebunden.

Diese Tabelle hat eine offensichtliche Lesart: AssemblyAI-TTS-1 ist kein mehrsprachiges Produkt und gibt sich auch nicht als solches aus. Wenn Ihr Agent Japanisch, Koreanisch oder Mandarin sprechen muss, ist die Qwen-Familie die Antwort, und dieser Artikel endet dort. Wenn Ihr Agent mit englischsprachigen Anrufern Englisch und gelegentlich Spanisch spricht, reichen sechs Sprachen aus, und mit der Qwen-Fähigkeitsliste zahlen Sie für Funktionen, die Ihre Prompts nie nutzen werden.

Preis pro Stunde, drei Möglichkeiten

Mit der gleichen Schätzung wie überall sonst in dieser Reihe – etwa 900 gesprochene Zeichen pro Minute, also ungefähr 54.000 pro Stunde – belaufen sich die Synthesekosten pro Stunde auf:

• AssemblyAI-TTS-1 — 15 $ pro Million Zeichen, alle Stimmen und Sprachen sowie Klonen inklusive, unbegrenzte Parallelität ohne Aufpreis: etwa 0,81 $ pro Stunde Audio.

• Qwen-Audio-3.0-TTS-Plus — 27,59 $ pro Million Zeichen auf Alibaba Cloud Model Studio: etwa 1,49 $ pro Stunde.

• Qwen-Audio-3.1-TTS-Plus — 19,3 US-Dollar pro Million Zeichen laut Artificial Analysis: etwa 1,04 US-Dollar pro Stunde.

Beachten Sie die Diskrepanz, die Sie selbst auf dem Board sehen können: Artificial Analysis führt beide Qwen-Generationen mit 19,3 $ pro Million Zeichen auf, während die Model-Studio-Karte von Alibaba für 3.0-Plus 27,59 $ angibt. Das sind zwei verschiedene Instrumente – der Listenpreis des Anbieters und die Normalisierung des Boards – und keines davon ist die Rechnung, die Sie erhalten, sobald zugesagte Mengenpreise ins Spiel kommen. Die oben genannten Stundenwerte verwenden jede Zahl so, wie sie ausgewiesen ist; betrachten Sie daher den 3.1-Satz als Vergleichseinheit und den 3.0-Satz als das, was einem Listenpreis am nächsten kommt.

AssemblyAI ist das günstigste der drei – um 22 % gegenüber der aktuellen Qwen-Stufe und um 45 % gegenüber der im Titel dieses Artikels genannten. Doch das Geld steckt nicht in der Preisspalte. Das Geld steckt in der Durchsatzspalte, denn ein Modell mit Echtzeitfaktor 1,0 benötigt pro gleichzeitigem Anrufer rund zehnmal so viel Hardware wie ein Modell mit 162 Zeichen pro Sekunde – und eine gehostete Preisgestaltung pro Zeichen verbirgt diesen Multiplikator in der Kapazitätsplanung des Anbieters, bis er sich bei Spitzenlast als Drosselung oder Latenz zeigt.

Was ein Router hier tatsächlich hinzufügt

Der realistische Einsatz für ein Team, das vor dieser Entscheidung steht, ist keines der Modelle für sich allein. Es sind englische Turns auf dem günstigen, schnellen Endpoint und nicht-englische Turns auf der Qwen-Stufe, umgeschaltet nach der Sprache des Anrufers – ein Routing-Problem, kein Modellproblem. Diese Ebene deckt OrcaRouter für den Rest des Stacks ab: eine API für über 200 Modelle zum Anbieter-Listenpreis mit 0 % Aufschlag, automatisches Failover, wenn ein Anbieter beeinträchtigt ist, und eine Routing-DSL, die mehrere Modelle hinter einem einzigen Endpoint zusammenführt statt mehrerer Verträge und mehrerer SDKs.

Um genau zu sein, was das bedeutet und was nicht: Weder AssemblyAI-TTS-1 noch irgendeine Qwen-Audio-TTS-Ebene ist heute im OrcaRouter-Katalog. Die Sprachmodelle, die wir weiterleiten, sind OpenAIs tts-1, tts-1-hd und gpt-4o-mini-tts sowie Googles Gemini-TTS-Vorschauen. Das Routing-Argument gilt also für das Sprachmodell, das den Satz schreibt, den Ihre TTS vorliest, und für jedes Sprachmodell, das Sie später hinzufügen und das wir führen – nicht für diese beiden.

Für wen dieser Vergleich eigentlich gedacht ist

Kaufen Sie Qwen-Audio-3.1-TTS-Plus — nicht 3.0 —, wenn Ihr Agent mehr als sechs Sprachen sprechen muss, wenn Sie gezielte Performance statt reinem Vorlesen brauchen oder wenn Sie sich bereits in Alibaba Cloud befinden und der Vertrag die Einschränkung darstellt. Es steht an dritter Stelle auf dem Blind-Board, kostet 1,04 US-Dollar pro Stunde, und seine Generierungsgeschwindigkeit ist das, was Sie gegen Ihr eigenes Parallelitätsziel testen sollten, bevor Sie sich festlegen.

Kaufen Sie AssemblyAI-TTS-1, wenn die Workload aus Telefongesprächen mit Englisch als Hauptsprache in hohem Volumen besteht: eine Pauschalgebühr von 15 US-Dollar, unbegrenzte Parallelität ohne Zusatzgebühr, 162 Zeichen pro Sekunde Spielraum, integrierte Wort-Zeitstempel und eine Barge-in-Abbruchfunktion sowie eine unabhängige Latenzmessung von 159 ms, die gegen eine Anbieterangabe von 90 ms abzuwägen ist. Akzeptieren Sie, dass Sie zehn Sprachen, 86 Steuer-Tags und jede Möglichkeit aufgeben, eine falsch ausgesprochene Abkürzung mit einem Wörterbuch zu korrigieren – und dass ihre schwächste unabhängige Teilbewertung, 73,8 % beim Auflösen von Kurzschrift, genau der Fehler ist, den ein Anrufer bemerkt.

Der Fehler, den es zu vermeiden gilt, ist genau der, zu dem der Titel dieses Beitrags verleitet hat: in einer im Oktober getroffenen Entscheidung den Score eines Modells vom Juli zu zitieren und dann bei der Integration festzustellen, dass die Variante, die dir angeboten wurde, diejenige ist, die es ersetzt hat. Prüfe, welches Qwen dir tatsächlich verkauft wird, bevor du es mit irgendetwas vergleichst.