Grok Voice 3.0 vs. Qwen-Audio-3.0-TTS: Einer von beiden kann dich hören, und es ist nicht der günstigere.

Legt man die beiden Preistabellen nebeneinander, gewinnt Alibabas Modell um den Faktor drei. Qwen-Audio-3.0-TTS erzeugt Sprache für 27,6 $ pro Million Zeichen, also rund 1,66 $ Audio pro Stunde, und ist ab heute als gehostete API über Alibaba Cloud Model Studio verfügbar. Grok Voice 3.0, am 14. Oktober 2026 von SpaceXAI angekündigt, berechnet 0,08 $ pro Minute Audio – 4,80 $ pro Stunde – plus 0,004 $ pro Texteingabe. Der Sprecher ist das günstigere Produkt, und der Sprecher kann nichts von dem hören, was man sagt. Qwen-Audio-3.0-TTS ist ein Text-to-Speech-Modell. Grok Voice 3.0 ist ein Vollduplex-Speech-to-Speech-Modell, das mehrmals pro Sekunde entscheiden muss, ob man mit dem Sprechen fertig ist. Die Stunde Audio ist die richtige Kennzahl für genau eines von beiden.

Das ist die gesamte Gegenüberstellung in einem Absatz, und alles darunter ist der Teil, der über Deployments entscheidet: was jedes einzelne im Betrieb kostet, wenn man die Teilstrecken der Pipeline drumherum mitzählt.

Einer rendert ein Skript. Einer nimmt einen Anruf entgegen.

Text-to-Speech nimmt Text entgegen und gibt Audio zurück. Es gibt kein Eingabe-Audio, keinen Zug, den man übernehmen müsste, kein Konzept davon, unterbrochen zu werden, und kein Transkript, das zurückkommt, weil das Modell nie etwas gehört hat. Sein Kostenmodell ist eine Druckerpresse – Seiten hinein, Audio hinaus – und die einzigen beiden Zahlen, die zählen, sind Qualität und Durchsatz, und beide kann man messen, bevor man ausliefert.

Ein Vollduplex-Modell verarbeitet eingehendes Audio, während es ausgehendes Audio erzeugt. Zu seinen Aufgaben gehören die Teile eines Gesprächs, die nichts mit Worten zu tun haben: innehalten, wenn der Anrufer innehält, über einen Backchannel weiterlaufen, statt ihn als Unterbrechung zu behandeln, mitten im Satz das Rederecht abgeben und einen Tool-Aufruf auslösen, ohne den Gesprächsfaden zu verlieren. Grok Voice 3.0 macht all das und liefert Transkripte zusammen mit der Sitzung zurück, was es nur kann, weil es die ganze Zeit zugehört hat.

Wenn Ihr Produkt Artikel vorliest, Dokumentation in Audio umwandelt oder Videos vertont, ist Grok Voice 3.0 das falsche Werkzeug – zum dreifachen Preis pro Stunde – und kann die Aufgabe überhaupt nicht erfüllen, weil es weder ein Skript annimmt noch daraus eine Datei erzeugt. Wenn Ihr Produkt einen Telefonanruf entgegennimmt, ist Qwen-Audio-3.0-TTS nur ein Drittel einer Pipeline, die noch Spracherkennung und ein Sprachmodell braucht, um zu einem Gespräch zu werden – und jedes dieser Glieder verursacht zusätzliche Kosten und Latenz sowie eine Grenze, an der die Prosodie stirbt.

Wo Qwen-Audio-3.0-TTS wirklich stark ist

Was für Alibabas Modell spricht, ist kein Marketing. Am 20. Juli 2026 von Alibabas Tongyi Lab veröffentlicht und als gehostete, geschlossene API bereitgestellt, belegte die Plus-Stufe bei ihrem Erscheinen den Spitzenplatz in der Text-to-Speech-Arena von Artificial Analysis. Bestenlisten verändern sich, und diese hier hat sich verändert: Stand September 2026 liegt Qwen-Audio-3.0-TTS-Plus mit einer Elo von 1.232 auf Basis von 2.306 Samples auf dem vierten Platz der Provider Voice Arena, hinter Cartesia Sonic 3.6 mit 1.275, Inworld Realtime TTS-2 mit 1.244 und Speechifys Simba 3.2 mit 1.233 – drei Modelle aus Juli und August, die nach ihm auf den Markt kamen. Vierter von über zwanzig zu sein – die Führung verloren, der Preisvorteil intakt – ist immer noch eine starke Position. Es ist nur nicht die Position, die die Berichterstattung zum Start beschrieben hat.

• Sprachenabdeckung — 16 Sprachen mit führenden Positionen in 10 davon, plus 20 chinesische Dialektregionen.

• Stimmklonen — aus kurzen Referenzproben, einschließlich sprachübergreifendem Klonen.

• Ausdruckskontrolle — 86 Inline-Tags für Emotion und Darbietung.

• Durchsatz — Plus generiert etwa 16 Zeichen pro Sekunde. Beim Batch-Rendering ist das unsichtbar; bei einem Live-Produkt ist es die Zahl, die deinen Puffer bestimmt.

• Stufen — Flash zielt auf ungefähr 300 ms First-Packet-Latenz für Echtzeit-Wiedergabe ab; Plus ist die Qualitätsstufe. Sie sind unterschiedliche Produkte, die einen Namen teilen, und das falsche Produkt zu wählen, ist ein häufiger erster Fehler.

• Dokumentationslücke — die viel zitierte Angabe von 27,6 US-Dollar pro Million Zeichen stimmt nicht in jedem Snapshot mit Alibabas eigener Preisseite überein, die zu bestimmten Zeitpunkten für beide Tarife niedrigere Werte aufgeführt hat. Prüfen Sie die Zahl auf Kontoebene, bevor Sie eine Prognose erstellen, statt die des Leaderboards heranzuziehen.

Zwei Einschränkungen, die bei der Planung berücksichtigt werden sollten. Trotz sechzehn unterstützter Sprachen sind die öffentlichen Preset-Stimmen fast ausschließlich chinesisch und englisch, und die anderen vierzehn sind nur über den Klon-Workflow und nicht ab Werk verfügbar. Und die 86 Inline-Emotion-Tags funktionieren nur im unidirektionalen Streaming-Modus, sodass die expressive Steuerung nicht bei jedem Integrationsweg erhalten bleibt.

Es gibt auch eine Version, bei der Vorsicht geboten ist. Alibaba listet jetzt eine Qwen-Audio-3.1-TTS-Generation und eine separate Qwen Audio 3.0 Realtime-Familie auf, und dabei handelt es sich nicht um dasselbe Modell wie Qwen-Audio-3.0-TTS — die Realtime-Linie ist ein Sprache-zu-Sprache-Produkt, das auf einem ganz anderen Leaderboard auftaucht. Wer „Qwen Audio 3.0“ mit einem Konversationsmodell vergleicht, sollte prüfen, welche Zeile in Alibabas eigener Preisliste er tatsächlich liest.

Was Grok Voice 3.0 kostet und was es nicht löst

Grok Voice 3.0 ist am 14. Oktober 2026 erschienen – zu 0,08 US-Dollar pro Minute Audio plus 0,004 US-Dollar pro Texteingabe, unverändert gegenüber dem Modell, das es ersetzt, wobei grok-voice-latest nun darauf verweist und grok-voice-2.0 als veraltet gekennzeichnet ist. Im Speech-to-Speech-Index von Artificial Analysis hält es mit 86,9 die Spitzenposition; seine stärkste Komponente ist die agentische Leistung mit 71,6 % bei τ-Voice gegenüber 56,5 % beim Vorgänger – die größte Einzelveränderung des Releases.

Die Latenzangabe ist der Punkt, an dem die beiden Modelle endlich dieselbe Einheit verwenden. Grok Voice 3.0 nennt 0,81 Sekunden bis zum ersten Audio – der schnellste Wert unter den führenden Konversationsmodellen. Die Flash-Stufe von Qwen Audio zielt auf rund 300 ms bis zum ersten Paket. Das ist nicht dieselbe Messung: 300 ms sind die Zeit bis zum ersten Paket eines Rendering-Jobs, dessen Text bereits vorliegt, während 0,81 Sekunden die Zeit bis zum Sprechbeginn ist, nachdem ein Mensch aufgehört hat zu sprechen – einschließlich der Entscheidung, dass man an der Reihe war. Etwa zweieinhalbmal so viel Latenz erkauft die Fähigkeit, unterbrochen werden zu können. Ob das den Preis wert ist, hängt ganz davon ab, ob am anderen Ende ein Mensch ist.

Grok Voice 3.0 bringt außerdem die Teile eines Sprachprodukts mit, die ein TTS-Modell Ihnen überlässt: die Duplex-Sitzung, serverseitige Turn-Erkennung, sitzungsgebundene Tools, mit denen der Agent mitten im Gespräch ein Backend aufrufen kann, und die Transkription, die dabei zurückkommt. Es bietet keinen Modus zum Vorlesen von Skripten, kein Klonen, das als sprachübergreifend dokumentiert ist, und auch keine sechzehn Sprachen, die als Feature vermarktet werden. Sein adressierbarer Anwendungsfall ist enger als der des TTS-Modells, und sein Pro-Stunde-Wert ist höher.

Die ehrliche Version des Cascade-Gesetzentwurfs

Ein konversationelles Produkt, das auf einem Text-to-Speech-Modell basiert, ist eine Kaskade: Ein Spracherkennungsmodell verwandelt die Sprache des Anrufers in Text, ein Sprachmodell entscheidet, was gesagt werden soll, und das TTS-Modell spricht es aus. Drei Anbieter, drei Rechnungen, drei Latenzbudgets, die sich summieren, und an jeder Grenze eine Übergabe. Der TTS-Teil kann 1,66 US-Dollar pro Stunde Audio kosten. Die anderen beiden Teile sind der Ort, an dem das Geld und die Fehler tatsächlich stecken, und die Kaskade kann keine Pause mitten in einem Satz hören, den sie bereits spricht.

Grok Voice 3.0 fasst die drei Standbeine zu einer Sitzung und einem Zähler zusammen – mit zwei Details, die die Abrechnung ehrlich halten. Seine Tool-Aufrufe und jegliches delegierte Reasoning laufen auf dem Backend, das sie beantwortet, zu den eigenen Tarifen dieses Modells. Wenn man den Agenten also auf einen Frontier-Reasoner richtet, der bei jedem Turn sucht, entsteht ein teurer Aufruf hinter einer günstigen Voice-Schicht. Und bei 300.000 Minuten pro Monat liegt der Tarif laut Preisliste bei 24.000 $ – allein für die Voice-Hälfte.

Bei dieser zweiten Metrik hört dieser Vergleich auf, eine Modellentscheidung zu sein, und wird zu einer Architekturentscheidung, und hier verdient eine Routing-Schicht ihren Platz. OrcaRouter führt weder Grok Voice 3.0 noch Qwen-Audio-3.0-TTS; die Voice-Schichten liegen in beiden Fällen außerhalb unserer Reichweite, und wir routen nichts davon. Beim Reasoning-Teil ist das nicht der Fall. Zweihundertsieben Modelle von über einem Dutzend Upstreams stehen hinter einem einzigen Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, und eine Preissenkung eines Anbieters wird noch am selben Tag wirksam statt erst bei Ihrer nächsten Vertragsverlängerung. Für eine Kaskade, die den mittleren Teil vollständig abdeckt: Halten Sie zwei Spracherkennungsoptionen und drei Reasoning-Modelle hinter einem Endpunkt, testen Sie sie per A/B gegen echten Traffic, und lassen Sie automatisches Failover einen Upstream-Ausfall auffangen, ohne einen Anruf abzubrechen. Eine Routing-DSL kombiniert mehrere Modelle zu einem Aufruf für die Fälle, in denen ein einzelnes Reasoning-Modell nicht ausreicht.

Auswählen in einer Frage

Kaufen Sie Qwen-Audio-3.0-TTS, wenn die Ausgabe Content ist: Narration, Lokalisierung, barrierefreies Audio, Synchronisation oder jeder Workflow, bei dem der Text vor dem Audio existiert und die Qualität pro gerenderter Stunde das Maß ist. Beginnen Sie mit Flash, wenn Sie Live-Wiedergabe benötigen, und wechseln Sie zu Plus, wenn die Stimme selbst das Endprodukt ist, bepreisen Sie den Klon-Workflow getrennt von den voreingestellten Stimmen, und bestätigen Sie den Tarif pro Million Zeichen auf Kontoebene, bevor Sie darauf eine Prognose aufbauen.

Kaufen Sie Grok Voice 3.0, wenn die Eingabe eine Person ist. Support-Hotlines, Buchungsabläufe, Aufnahmegespräche, alles, wo die erste Silbe des Anrufers ankommt, während das Modell mitten im Satz ist und das System sich wie ein Zuhörer und nicht wie ein Abspieler verhalten muss. Es kostet mehr pro Stunde Audio, es kann Ihr Dokument nicht lesen, und es ist das Einzige von beiden, das unterbrochen werden kann.

Viele echte Produkte wollen beides – ein Rendering-Modell, das die Audio-Assets erzeugt, und ein Duplex-Modell, das den Call abwickelt, zu dem diese Assets gehören. Was sie nicht gemeinsam haben sollten, ist ein Kostenmodell. Pro Stunde Audio ist die richtige Einheit für eines der beiden, und die tatsächlichen Kosten des anderen sind die Pipeline, die man sich erspart hat, indem man keine Kaskade gebaut hat.