Voxtral 3 TTS vs. Qwen-Audio-3.0-TTS-Plus: Zwei günstige Stimmen, zwei unterschiedliche Karten

Beide dieser Modelle sind günstiger als die Frontier und beide liegen außerhalb davon, was die Wahl zwischen Voxtral 3 T​TS und Q​wen-Audio-3.0-T​TS-Plus zu einer Frage der Abdeckung statt der Qualität macht. Auf dem Provider-Voice-Board von Artificial Analysis liegen sie 47 Elo auseinander — Q​wen bei 1.264 (#7), Mistrals neues Modell bei 1.217 (#13) — und ihre Preise liegen bei 19,31 $ und 13,00 $ pro Million Zeichen. Keiner der beiden Abstände ist entscheidend. Entscheidend ist, dass A​libabas Modell auf das Chinesische ausgerichtet wurde, einschließlich zwanzig Dialektregionen und sechsundachtzig Inline-Delivery-Tags, während Mistrals Modell auf die vierundzwanzig Amtssprachen der Europäischen Union ausgerichtet wurde. Wenn Ihr Produkt Mandarin, Kantonesisch oder Hokkien spricht, endet die Diskussion bei der Sprachliste. Wenn es Portugiesisch, Polnisch oder Niederländisch spricht, endet sie dort ebenfalls — nur in die andere Richtung. Die dokumentierten KI-Ausfälle und Agentenvorfälle hinter Releases wie diesem sind im OrcaRouter AI Incident Archive gesammelt, wo jeder Eintrag eigene Quellen, Schweregrad, Vertrauensgrad und eine Kennzeichnung als umstritten enthält.

Die Zahlen – und wie viel Gewicht sie haben

• Anbieter-Voice-Elo — Q​wen-Audio-3.0-T​TS-Plus: 1.264. Voxtral 3 T​TS: 1.217. Beide laut Artificial Analysis, 21. Oktober 2026.

• Kontrolliertes Voice-Elo — Qwen-Audio-3.0-TTS-Plus: 1.125 (#7). Voxtral 3 TTS: 1.066 (#14). Der Abstand vergrößert sich von 47 auf 59 Punkte, sobald beide auf dieselben acht Referenzstimmen geklont werden, was bedeutet, dass Alibabas Vorsprung in der Synthese-Engine und nicht in der Stimmbibliothek liegt.

• Preis pro 1 Mio. Zeichen — 19,31 $ für Q​wen-Audio-3.0-T​TS-Plus, 13,00 $ für Voxtral 3 T​TS. Bei rund 900 Zeichen pro gesprochener Minute entspricht das 1,04 $ gegenüber 0,70 $ pro Stunde.

• Sprachen — A​libaba: 16 Sprachen plus 20 chinesische Dialektregionen. Mistral: 35+ Sprachen und 50+ Dialekte, mit Voreinstellungen in 18 Sprachen.

• Stimmklonen — A​libaba: Referenzaudio-Klonen einschließlich sprachübergreifender Timbre-Übertragung. Mistral: „Pro Voice“-Adaption aus 30 Minuten Audio. Keines der beiden bietet den Sofort-Klon in zehn Sekunden, den Cartesia verkauft.

• Weights — beidseitig geschlossen. Beide sind reine API-Produkte.

• Latenz — Alibaba veröffentlicht für seine Erkennungsmodelle eine Streaming-Kennzahl für das erste Zeichen und für ein Echtzeit-Sprachmodell getrennt; Mistral veröffentlicht für Voxtral 3 TTS keine Time-to-First-Audio. Keine der beiden Zahlen ist anbieterübergreifend vergleichbar, und für die Synthese ist keine von beiden eine unabhängige Messung.

Ein Vorbehalt zu den Elo-Werten: Voxtral 3 T​TS war erst seit einem Tag auf der Rangliste, als diese abgelesen wurden, mit 1.619 Vergleichen gegenüber Q​wens 2.399. Eine Lücke von 47 Punkten innerhalb überlappender Konfidenzintervalle bei dieser Stichprobengröße ist eine Richtung, kein Urteil. Lesen Sie es als „Q​wen liegt wahrscheinlich etwas vorn“ und nicht als gemessene 47.

Wo Alibabas Modell gewinnt – und das ist kein knapper Sieg

Die chinesische Abdeckung ist der erste und größte Unterschied, und es lohnt sich, präzise zu sein, was „20 Dialektregionen“ bedeutet. A​libabas Sprachsparte ist für einen heimischen Markt konzipiert, in dem eine einzige Schriftsprache auf Sprachformen trifft, die ein rein mandarinbasiertes Modell verunstaltet: Kantonesisch, Sichuanesisch, Wu, Minnan und mehr. Q​wen-Audio-3.0-T​TS-Plus trägt diese Regionen nativ, und A​libabas 3.1-Generation fügte sprachübergreifenden Timbre-Transfer hinzu – eine Stimme, die über Mandarin, Kantonesisch, Englisch und Japanisch hinweg getragen wird –, also die Funktion, auf die es ankommt, wenn Sie einen einzelnen Präsentator lokalisieren, statt pro Markt Casting zu betreiben.

Das zweite ist die Steuerung der Sprechweise auf Token-Ebene. Q​wen-Audio-3.0-T​TS-Plus hat einen dokumentierten Satz von 86 Inline-Tags zur Steuerung der Sprechweise aus seiner Generation übernommen, sodass ein Skript Emotions-, Tempo- und Betonungsmarker direkt im Transkript tragen kann. Mistrals Voxtral 3 T​TS bietet Steuerung von Emotion, Tempo und Betonung auf Prompt-Ebene sowie Aussprache auf Phonem-Ebene und eine Vokabularbibliothek – in der Absicht vergleichbar, doch A​libabas Tag-Vokabular ist auf dem Papier das granularere der beiden.

Der dritte Punkt ist, dass A​libaba ein günstigeres Geschwisterprodukt auf den Markt gebracht hat. Durch das 3.1-Refresh wurde T​TS zu einer SKU der Flash-Klasse, sodass ein Team, dem die 3.0-Plus-Stufe zu teuer ist, einen dokumentierten Downgrade-Pfad beim selben Anbieter hat – etwa zum selben Preis wie Voxtral 3 T​TS. Mistrals Antwort auf „bitte günstiger“ ist dasselbe Modell oder ein anderer Anbieter.

Wo das Modell von A​libaba schwächer ist, ist ebenso klar: 16 Sprachen sind ein kleines Spektrum. Wenn Ihr Katalog auf Polnisch, Türkisch, Vietnamesisch oder Portugiesisch läuft, deckt Q​wen-Audio-3.0-T​TS-Plus Sie nicht ab, und kein Elo-Wert kann diese Lücke schließen.

Wo Voxtral 3 T​TS gewinnt

Sprachliche Breite außerhalb Asiens, ganz einfach. Nach eigenen Angaben über 35 Sprachen mit mehr als 50 Dialekten, und eine Familie, die auf europäische Beschaffung ausgerichtet ist: Mistral gibt an, alle 24 offiziellen EU-Sprachen über die Transkriptionsmodelle sowie EU-, US- und globale API-Endpunkte abzudecken, mit Selbstbereitstellung auf privater Infrastruktur für Käufer, die kontrollieren müssen, wo Audiodaten verarbeitet und ob sie aufbewahrt werden. Für einen europäischen Käufer aus dem öffentlichen Sektor oder dem Gesundheitswesen ist das kein Zünglein an der Waage, sondern eine Voraussetzung.

Der zweite Aspekt ist der umgebende Stack. Voxtral 3 TTS wird nicht als einzelner Endpunkt verkauft: Es kommt mit einem LiveKit-basierten Agent-SDK, das SIP, WebRTC und IVR unterstützt, mit einer angegebenen Latenz pro Agent-Turn von unter einer Sekunde und einem Minutenpreis für den gesamten Loop – 0,04 $ mit Mistral Small 4 Reasoning, 0,08 $ mit einem anderen Reasoning-Modell. Alibaba hat ebenfalls ein Echtzeit-Sprachmodell, aber Mistrals Angebot ist als Bündelprodukt mit einer veröffentlichten Minutenangabe dokumentiert, was sich leichter für einen Business Case nutzen lässt als eine Preiskarte pro Token.

Der dritte Punkt ist der Preis, eng gefasst. 13 $ gegenüber 19,31 $ sind ein Rabatt von 33 %, und in großem Maßstab ist das eine echte Zahl: Zehntausend Stunden im Monat sind etwa 7.000 $ gegenüber 10.400 $. Das ist kein Ereignis, bei dem die Preise neu festgesetzt werden, aber es ist auch nicht nichts.

Das Routing-Argument ist hier stärker als in den meisten Matchups.

Die meisten Modell-gegen-Modell-Artikel enden mit „nimm eins“. Dieses Paar ist ein echtes Portfolio-Problem, denn die beiden Abdeckungskarten überschneiden sich an den Rändern kaum, und beide sind günstig genug, um sie parallel laufen zu lassen. Eine europäische E-Commerce-Plattform, die Produktseiten in acht EU-Sprachen textet und zugleich eine kantonesischsprachige Kundschaft bedient, braucht beide. Ebenso ein Synchronstudio, das an einer Serie mit Mandarin-Dialogen und französischen Untertiteln arbeitet.

Das Unangenehme daran, beide zu betreiben, ist nicht die Modellwahl, sondern die Anbindung: zwei Anbieter, zwei Authentifizierungsverfahren, zwei Abrechnungsbeziehungen, zwei getrennte Sätze von Fehlermodi. OrcaRouter gibt es genau für diese Konstellation — ein einziger OpenAI-kompatibler Schlüssel für 200+ Modelle, der Listenpreis des Anbieters wird mit 0 % Aufschlag durchgereicht, sodass eine Preisänderung eines Anbieters noch am selben Tag live ist, und eine Routing-DSL, die eine sprachgetaggte Anfrage an das Modell senden kann, das diese Sprache abdeckt. Weder Voxtral 3 T​TS noch Q​wen-Audio-3.0-T​TS-Plus stehen zum Zeitpunkt dieses Textes im Katalog von OrcaRouter, und eine API für 200+ Modelle ist eine Aussage über den Katalog, den wir tatsächlich betreiben, nicht über diese beiden — heute sind beide über die eigenen APIs ihrer Anbieter und mehrere Drittanbieterplattformen erreichbar. Das Designprinzip gilt unabhängig davon: Wenn Ihre Sprachmatrix zwei Anbieter erfordert, sollte die Aufteilung in einer Routing-Regel statt in zwei Codepfaden liegen.

Was keiner der beiden Anbieter veröffentlicht hat

Drei Lücken – und es sind in beiden Fällen dieselben drei, was einiges darüber aussagt, wie jung dieses Segment des Marktes noch ist.

Keine Bewertungen pro Sprache. Beide Elo-Werte sind Aggregate. Ein Modell kann insgesamt bei 1.264 liegen und in Mandarin hervorragend und in Französisch mittelmäßig sein; die Rangliste kann Ihnen das nicht sagen, und keiner der Anbieter veröffentlicht eine Aufschlüsselung nach Sprache. Für jede Entscheidung, die von der Qualität in einer bestimmten Sprache abhängt, ist der einzige zuverlässige Test Ihr eigener Korpus, gelesen von einem Muttersprachler, dem nicht gesagt wird, welches Modell welche Stichprobe erzeugt hat.

Keine Angabe zur Ausdauer bei Langform. Arena-Clips dauern Sekunden. Keines der Modelle dokumentiert eine maximale Generierungslänge für seinen TTS-Endpunkt, und keines hat einen veröffentlichten Test zur Kohärenz über zehn Minuten — die Länge, bei der ein Hörbuch entweder funktioniert oder nicht. Qwens 3.1-Generation verlagerte die Langform-Szenengenerierung in ein separates -Next-Modell, statt den TTS-Endpunkt zu erweitern, was ein implizites Eingeständnis dafür ist, dass das Basismodell nicht das Langform-Werkzeug ist.

Keine unabhängige Latenzmessung. Mistral veröffentlicht nichts zur Voxtral 3 T​TS-Synthese; A​libaba veröffentlicht Herstellerangaben. Artificial Analysis meldet einen Durchsatz von im Median 112 Zeichen pro Sekunde für Voxtral 3 T​TS, aber nicht für Q​wen-Audio-3.0-T​TS-Plus auf derselben Seite. In einem Live-Sprachagenten entscheidet die Zeit bis zum ersten Audio stärker über das Produkterlebnis als Elo, und sie ist die am schlechtesten dokumentierte Zahl in der Kategorie.

Die ehrliche Aufteilung

Wählen Sie Q​wen-Audio-3.0-T​TS-Plus, wenn das Produkt Chinesisch spricht – Mandarin mit regionalen Akzenten, Kantonesisch oder Code-Switching zwischen Chinesisch und Englisch – oder wenn Sie feingranulare Delivery-Tags im Transkript benötigen und einen Anbieter mit einer dokumentierten günstigeren Stufe unter dem Flaggschiff möchten. Es kostet 48 % mehr als Voxtral und liegt auf beiden Bestenlisten messbar vorn; für Arbeit mit Chinesisch als Schwerpunkt ist das gut angelegtes Geld.

Wählen Sie Voxtral 3 T​TS, wenn das Produkt europäische Sprachen spricht, wenn Datenresidenz in der EU eine Beschaffungsanforderung ist oder wenn Sie einen Voice-Agent bauen und die Synthese gebündelt mit einem Agent-SDK und einem veröffentlichten Preis pro Minute wünschen. Sie verzichten auf 47 Elo und gewinnen eine Sprachlandkarte, die die Märkte abdeckt, in denen Sie verkaufen.

Wählen Sie beide – und leiten Sie zwischen ihnen weiter –, wenn Ihr Publikum tatsächlich beide Karten abdeckt. Bei einer Betrachtung nach Elo pro Dollar liegen die beiden so nah beieinander, dass das Unentschieden über die Abdeckung und nicht über den Punktestand entschieden werden sollte, und ein Produkt mit Kunden in Guangzhou und Gdańsk hat keine einzige richtige Antwort.

Beachtenswert ist, ob einer der beiden Anbieter eine Aufschlüsselung nach Sprachen veröffentlicht. Sobald einer dies tut, ist dieser Vergleich keine Debatte mehr über Karten, sondern eine Debatte über Messungen – und das ist eine bessere Debatte.