Realtime-Venus vs. Qwen-Audio-3.0-TTS: Der eine liest dein Skript, der andere muss dich hören

Der verlockende Vergleich zwischen Realtime-Venus und Qwen-Audio-3.0-TTS ist der Preis pro Stunde Audio, und er liefert eine saubere Antwort, die völlig falsch ist. Qwen-Audio-3.0-TTS-Plus erzeugt Sprache für etwa 27,6 $ pro Million Zeichen, was auf ungefähr 1,66 $ für eine Stunde fertigen Audio hinausläuft. Realtime-Venus, das 9B-Full-Duplex-System, das das Venus Team von Ant Group gemeinsam mit der Tsinghua-Universität entwickelt hat, hat überhaupt keinen Preis, weil es keinen gehosteten Dienst gibt – aber selbst gehostet würde es einen kontinuierlich laufenden GPU-Knoten erfordern, was pro Stunde mindestens eine Größenordnung mehr kostet. Bei der Arithmetik gewinnt der Renderer. Die Arithmetik misst zwei verschiedene Produkte: Qwen-Audio-3.0-TTS nimmt Text und gibt Audio zurück, und Realtime-Venus nimmt Audio und Video und gibt eine Konversation zurück. Die Frage, die sie tatsächlich unterscheidet, ist nicht, was sie ausgeben. Sondern ob etwas zurücksprechen muss.

Der Input ist der ganze Unterschied.

Qwen-Audio-3.0-TTS, am 20. Juli 2026 vom Tongyi Lab von Alibaba Cloud veröffentlicht, ist ein Text-to-Speech-Modell, das als gehostete API ohne offene Gewichte bereitgestellt wird. Text geht über einen HTTP-Endpunkt hinein, und Audio kommt heraus. Es gibt keinen Audioeingabepfad, keinen Turn zu übernehmen, kein Transkript zurückzugeben und kein Konzept davon, unterbrochen zu werden – das Modell hat nie etwas gehört. Sein gesamtes Kostenmodell ist eine Druckerpresse: Zeichen hinein, Audio heraus.

Realtime-Venus dagegen hört permanent zu. Der audiovisuelle Checkpoint enthält einen visuellen SigLIP2-Encoder für Streaming-Frames und einen Whisper-Medium-Audio-Encoder, der ein Qwen3-8B-Backbone speist, und beide Checkpoints betreiben eine einsekündige Interaktionsschleife, die kontinuierlich den Gesprächszustand aktualisiert und entscheidet, ob gesprochen oder geschwiegen wird. Sprache erzeugt er durch diskrete S3-Tokens und einen Streaming-Flow-Matching-Decoder statt durch eine separate Synthesestufe und kann zusammen mit der Wellenform auch Text zurückgeben.

Das ist kein Feature-Unterschied. Es ist der Unterschied zwischen einer Komponente und einem System. Stellt man die beiden nebeneinander, lässt sich eines davon in eine Pipeline einsetzen, die bereits einen Spracherkenner und ein Sprachmodell davor hat. Das andere ersetzt alle drei.

Ein durchgerechnetes Beispiel macht es konkret.

Nehmen Sie eine Support-Hotline. Ein Kunde ruft an, beschreibt ein Problem schlecht, macht mitten im Satz eine Pause, um eine Kontonummer herauszusuchen, wird durch eine Durchsage im Hintergrund unterbrochen und stellt dann eine Rückfrage, bevor der Agent mit der Antwort fertig ist.

Ein auf Qwen-Audio-3.0-TTS basierendes System behandelt dies als drei Anbieter und drei Rechnungen: Eine Erkennungskomponente wandelt die Sprache des Anrufers in Text um, ein Sprachmodell entscheidet, was gesagt werden soll, und Qwen-Audio-3.0-TTS spricht es aus. Jeder Übergang fügt Latenz hinzu, und an jeder Grenze stirbt die Prosodie. Der kritische Fehler ist struktureller Natur – der TTS-Zweig kann die Pause mitten in einem Satz, den er bereits spricht, nicht hören, weshalb der Barge-in von einer vorgelagerten Komponente übernommen werden muss.

Realtime-Venus bewältigt denselben Anruf als ein einziges Modell, ohne externen Voice-Activity-Detector, ohne Übergabe. Seine Full-Duplex-Bench-v1.5-Werte – 75 % Reaktion auf Unterbrechungen und Fortsetzungsraten von 97 % bei Backchannels, 88 % bei fremdgerichteter Sprache und 86 % bei Hintergrundsprache – sind genau die Metriken, die dieses Szenario beschreiben. Sie sind zudem selbstberichtet, aus dem technischen Bericht des Modells selbst, ohne externe Reproduktion. Lesen Sie sie als Designbehauptung, nicht als Messung.

Sprachqualität: Der eine hat ein Elo, der andere hat nichts.

Dies ist der unausgewogenste Teil des Vergleichs, und er begünstigt Alibaba mit großem Abstand.

Unabhängige Bewertung — Qwen-Audio-3.0-TTS-Plus belegt mit einem Elo-Wert von 1.259 bei 1.544 Stichproben mit Stand vom 18. September 2026 den zweiten Platz in der Provider Voice Arena von Artificial Analysis, hinter Cartesia Sonic 3.6 mit 1.277 und vor Inworld Realtime TTS-2 mit 1.247 und Speechify Simba 3.2 mit 1.241.

• Wo es begann — die eigene Release-Spalte der Arena führt dieses Modell als Eintrag für September 2026 auf, wobei dies das derzeit bewertete Tier ist und nicht das Startdatum vom 20. Juli 2026. Wann immer es sich bewegte, hat es durchgehend die ersten beiden Plätze belegt.

• Realtime-Venus — kein Arena-Eintrag, keine Voice-Bewertung durch Dritte, nichts. Die einzige voice-bezogene Kennzahl ist ein selbst angegebener VoiceBench-AlpacaEval-Score von 4,81, den der Bericht als mit dem besten Vergleichswert übereinstimmend beschreibt.

• Was das bedeutet – niemand außerhalb der Autoren hat beurteilt, ob Realtime-Venus gut klingt. Das spricht nicht gegen es; es ist einfach unbekannt, und unbekannt ist etwas anderes als schlecht. Aber wenn die Stimmqualität das zu liefernde Ergebnis ist, ist der Kauf eines Elo-bewerteten Modells besser, als ein unbewertetes im Vertrauen zu nehmen.

Sprache, Stimmen und Ausdruckssteuerung

Alibabas Modell ist auf Breite der Darbietung ausgelegt. Es liefert mehr als tausend Stimmen, deckt sechzehn Sprachen ab, darunter zwanzig chinesische Dialektregionen, und bietet 86 Inline-Tags für Emotion und Darbietung – eine Steuerungsoberfläche, die Sie direkt in den Text selbst schreiben, plus natürlichsprachliche Anweisungen zur Darbietung. Die Ausgabe reicht bis zu 48 kHz, gegenüber 24 kHz in der vorherigen Generation, und eine einzelne Synthese kann bis zu drei Minuten dauern. Die Flash-Stufe zielt auf etwa 300 Millisekunden bis zum ersten Paket für die Echtzeit-Wiedergabe; die Plus-Stufe ist die Qualitätsstufe und generiert mit etwa sechzehn Zeichen pro Sekunde, was langsam genug ist, um in einem Live-Produkt von Bedeutung zu sein, und bei Batch-Rendering unsichtbar ist.

Realtime-Venus dokumentiert Englisch und Chinesisch, liefert eine Referenzstimme mit den Gewichten aus und bietet einen Token-zu-Wellenform-Decoder statt einer Stimmenbibliothek. Ausdrucksstärke im Qwen-Sinne – Tags, Anweisungen, tausend Presets – hat hier kein Äquivalent. Was es stattdessen hat, ist die Fähigkeit, seine Darbietung als Reaktion auf das Gehörte zu ändern, was eine andere Art ausdrucksstarker Kontrolle ist und viel schwerer auf ein Datenblatt zu bringen.

Die Kosten jedes Pfades, ehrlich gesagt

Bei der Alibaba-Zahl gibt es einen echten Vorbehalt, bevor jemand damit budgetiert. Die weithin zitierte Angabe von 27,6 US-Dollar pro Million Zeichen stimmt nicht in jeder Momentaufnahme mit Alibabas eigener Preisseite überein, und die Tarifstufen werden separat bepreist. Prüfen Sie den Wert auf Kontoebene, statt einer Vergleichstabelle zu vertrauen – einschließlich dieser hier.

Realtime-Venus hat keinen Listenpreis, weil es nichts zu kaufen gibt. Die Kosten sind zwei 9B-Checkpoints in BF16 – etwa achtzehn Gigabyte Gewichte pro Stück, bevor Aktivierungsspeicher hinzukommt – plus eine kontinuierliche Streaming-Schleife, was einen GPU-Knoten bedeutet, der monatlich abgerechnet wird, egal ob jemand anruft. Bei gleichmäßigem Volumen ist das pro Gespräch billiger als eine nutzungsabhängig abgerechnete Voice-API. Bei sporadischem Volumen ist es weitaus schlechter, und der Schnittpunkt ist die einzige finanzielle Frage, die zählt.

Es gibt einen dritten Weg, den viele Teams einschlagen werden, und es lohnt sich, ihn zu benennen, weil er die Gestalt der Entscheidung verändert. Wenn Sie eine Kaskade beibehalten, ist die einzige Stufe, die ein gehostetes Modell sein muss, die mittlere – das Reasoning. OrcaRouter führt weder Qwen-Audio-3.0-TTS noch Realtime-Venus; beide Sprachschichten liegen außerhalb dessen, was wir anbieten, und wir sagen das lieber, als etwas anderes nahezulegen. Die Reasoning-Stufe ist das, was wir abdecken: fast 200 Textmodelle hinter einem Schlüssel zum Listenpreis des Anbieters ohne Aufschlag, automatisches Failover über Upstreams hinweg, sodass ein schlechter Nachmittag bei einem Anbieter keinen laufenden Call abbricht, eine Routing-DSL, die mehrere Modelle zu einem einzigen Call zusammensetzt, und Modellfusion, wenn eine Entscheidung mehr als eine Meinung verdient. In einer Kaskade ist das die Stufe, die Sie am ehesten austauschen möchten, ohne Vertragsverhandlungen, und diejenige, bei der eine Preissenkung eines Anbieters schon am selben Tag wirksam wird statt erst bei der Vertragsverlängerung.

Klonen ist ein zweischneidiges Schwert

Qwen-Audio-3.0-TTS kann eine Stimme anhand eines kurzen Referenzsamples klonen, sprachübergreifend, und ist dokumentiert als robust gegenüber verrauschtem oder halligem Eingangsmaterial. Das ist die mit Abstand kommerziell nützlichste Fähigkeit im Vergleich und die größte Compliance-Angriffsfläche. Ein Produkt, das jeden Sprecher anhand von zehn Sekunden Audio reproduzieren kann, hat auf die Frage „Wessen Stimme ist das, und wer hat dem zugestimmt?“ eine viel längere Antwort zu geben als eines, das ausschließlich in den Voreinstellungen eines Anbieters spricht.

Realtime-Venus liefert eine Referenzstimme zusammen mit den Gewichten aus. Man kann damit klonen, wenn man das Audio und den Trainingslauf hat, doch nichts in der Veröffentlichung ist darauf ausgelegt, das einfach zu machen – was für eine selbst gehostete Bereitstellung innerhalb einer Compliance-Grenze wohl die sicherere Standardeinstellung ist.

Welches du tatsächlich kaufst

Kaufen Sie Qwen-Audio-3.0-TTS, wenn das Audio die Ausgabe ist. Narration, Lokalisierung, Barrierefreiheit, Synchronisation, jeder Workflow, bei dem der Text vor dem Ton existiert und die Qualität pro gerenderter Stunde die Kennzahl ist. Beginnen Sie mit Flash, wenn die Wiedergabe live ist, wechseln Sie zu Plus, wenn die Stimme selbst das Produkt ist, und bepreisen Sie den Cloning-Workflow getrennt von der Preset-Bibliothek.

Greifen Sie zu Realtime-Venus, wenn die Eingabe eine Person ist und das System sich wie ein Zuhörer verhalten muss. Kamerabewusste Unterstützung, freihändige Interaktion, alles, wo ein Mensch mitten im Satz unterbricht und erwartet, dass das System damit umgeht. Der Tausch ist deutlich: Sie geben eine Elo-bewertete Stimme, tausend Voreinstellungen und jede gehostete Option auf, und im Gegenzug bekommen Sie den Einzigen der beiden, der Sie hören kann.

Die meisten Produkte wollen beides – an unterschiedlichen Stellen. Was sie sich nicht teilen sollten, ist ein Kostenmodell: Der Preis pro Stunde Audio ist die richtige Kennzahl für genau eines dieser beiden Modelle – und zwar nicht für das, das das Gespräch führt.