AssemblyAI-TTS-1 vs Qwen-Audio-3.0-TTS: El modelo del título no es el que conviene comprar

Esta comparación nombra Qwen-Audio-3.0-TTS, y ese es un problema que conviene corregir antes de citar cualquier cifra. Alibaba retiró la 3.0 como su modelo de voz insignia el 23 de septiembre de 2026, cuando la serie Qwen-Audio-3.1 se lanzó en la Apsara Conference y colocó Qwen-Audio-3.1-TTS-Plus a la cabeza de su propia línea de TTS. Así que la versión honesta de este enfrentamiento es de tres modelos, no dos — AssemblyAI-TTS-1, el endpoint cerrado de 15 dólares por millón de caracteres que quedó disponible de forma general el 27 de octubre de 2026, frente a ambas generaciones del stack de voz de Qwen — y la respuesta cambia según cuál Qwen querías decir en realidad. Si tu contrato, tu integración o tu nota de adquisición dice 3.0, lee la sección siguiente. Si dice 3.1, sáltala.

Primero, la corrección: 3.0 no es el Qwen actual

Qwen-Audio-3.0-TTS se lanzó el 20 de julio de 2026 en dos niveles. Flash se diseñó para uso en tiempo real con una latencia del primer paquete de unos 300 ms; Plus era el nivel de calidad a 27,59 USD por millón de caracteres a través de Alibaba Cloud Model Studio. La familia cubre 16 idiomas además de 20 regiones dialectales chinas, admite 86 etiquetas de control en línea como [angry] y [giggles], junto con dirección de estilo en lenguaje natural de forma libre, realiza clonación zero-shot robusta frente al ruido, produce salida a 48 kHz y sintetiza hasta tres minutos en una sola pasada. Es de código cerrado y solo se ofrece alojado —sin pesos abiertos, lo que fue una ruptura deliberada con el Qwen3-TTS de pesos abiertos anterior de Alibaba.

Diez semanas después, el stack 3.1 lo sustituyó en ASR, TTS, TTS-Next y tiempo real. El nivel TTS 3.1 mantiene la misma selección de 8 voces, tiene un precio de lista de 19,3 USD por millón de caracteres en la columna de precios de Artificial Analysis, y es la opción a la que en realidad se han referido la mayoría de las comparativas de Qwen desde finales de septiembre. En la práctica: la 3.0 sigue siendo invocable si ya tienes la integración hecha, la 3.1 es la que se cotiza a un comprador nuevo, y cualquier artículo que ponga la puntuación de julio de la 3.0 junto a un lanzamiento de octubre sin decirlo te está vendiendo una comparación obsoleta.

El tablero, leído una vez, para los tres.

Provider Voice Arena de Artificial Analysis, leído el 30 de octubre de 2026, por lo que un instrumento para cada fila a continuación:

• Qwen-Audio-3.1-TTS-Plus — tercero, 1.305 Elo, 2.281 muestras, lanzado en septiembre de 2026.

• Qwen-Audio-3.0-TTS-Plus — séptimo, 1.269 Elo, 2.794 muestras, lanzado en junio-julio de 2026.

• AssemblyAI-TTS-1 — decimocuarto, 1.227 Elo, 1.632 muestras, publicado en octubre de 2026.

• ElevenLabs Eleven v4 Turbo y Eleven v4 ocupan el primer y segundo lugar con 1.336 y 1.334, como punto de referencia del que este artículo no trata.

La brecha de 78 puntos entre AssemblyAI-TTS-1 y el nivel actual de Qwen TTS es real, pero no es la brecha más amplia en esta comparación: ElevenLabs está 31 puntos por encima de Qwen y 109 por encima de AssemblyAI en la misma lectura. Lo que importa más es que una fila de 1,632 muestras para un modelo de solo cuatro días es evidencia escasa, y los intervalos de ese tablero son lo suficientemente amplios como para que una nueva ejecución pueda mover a AssemblyAI-TTS-1 unos cuantos puestos sin que nada del modelo cambie.

Dieciséis caracteres por segundo es el número que decide esto

Aquí está la medición que casi nadie incluye en una comparación de Qwen, y es la que importa para la tarea para la que se creó AssemblyAI-TTS-1.

Artificial Analysis mide AssemblyAI-TTS-1 en 162 caracteres por segundo de síntesis. Qwen-Audio-3.0-TTS-Plus, con el mismo estilo de medición, genera unos 16 caracteres por segundo — el modelo más lento de cuantos están cerca de lo más alto de la arena. La gama 3.1 mejoró al respecto, pero la velocidad de generación sigue siendo el eje débil de la familia más que su fortaleza.

Ahora convierta a la única unidad que le importa a un agente en vivo. El habla normal se produce a aproximadamente 900 caracteres por minuto, es decir, 15 caracteres por segundo. Un modelo que genera 16 caracteres por segundo tiene, dentro del margen de error de redondeo, un factor de tiempo real de 1.0 — apenas puede mantenerse por delante de un flujo de reproducción y no puede atender dos conversaciones simultáneas sin más hardware detrás. Un modelo a 162 caracteres por segundo tiene aproximadamente diez flujos de margen por unidad del mismo cómputo.

Eso reencuadra la brecha de Elo. Un déficit de 78 puntos en preferencia a ciegas es una cuestión de calidad que puedes responder con tu propio corpus. Un déficit de diez veces en rendimiento es una cuestión de capacidad que llega como una factura, porque la solución son más segundos de GPU por llamador concurrente, y con el precio alojado de Alibaba esa no es una palanca que controles.

Ambas salvedades, dichas sin rodeos. Son dos proveedores medidos con un mismo instrumento, no una comparación directa controlada; el rendimiento de generación depende del hardware, del procesamiento por lotes y de la longitud de secuencia. Y el tokenizador de voz de Qwen a 12,5 Hz —deliberadamente bajo en comparación con los habituales 50–75 Hz— es lo que mantiene su latencia del primer paquete cerca de 300 ms en el nivel Flash. Qwen optimizó la latencia hasta el primer sonido. AssemblyAI optimizó los caracteres por segundo una vez que comienza el turno. Son apuestas distintas, y un agente telefónico percibe ambas.

Los idiomas y las etiquetas de control son donde Qwen no está ni cerca de ser superado.

Si el argumento del rendimiento decide el caso del centro de llamadas, el argumento lingüístico decide todo lo demás, y no es sutil:

• Cobertura — Qwen-Audio-3.0-TTS incluye 16 idiomas y 20 regiones de dialectos chinos; AssemblyAI-TTS-1 se lanzó con seis (inglés, español, francés, alemán, italiano, portugués) y múltiples acentos dentro de ellos.

• Dirección — Qwen expone 86 etiquetas de control en línea además de prompts de estilo de formato libre; AssemblyAI-TTS-1 no tiene etiquetas de emoción, ni SSML, ni parámetro de velocidad, ni diccionario de pronunciación en su lanzamiento, y su propia publicación dice que las disfluencias escritas se leen tal como están escritas en lugar de ser actuadas.

• Clonación — Qwen realiza clonación zero-shot robusta al ruido; AssemblyAI realiza clonación instantánea a partir de una muestra de 24 segundos con un paso de confirmación del permiso del hablante. Ninguno ofrece un nivel de clonación profesional entrenada, que es un producto de ElevenLabs, no de Qwen ni de AssemblyAI.

• Salida — Qwen sintetiza a 48 kHz con un techo de tres minutos en una sola pasada; AssemblyAI transmite PCM, µ-law o A-law de 8–48 kHz con marcas de tiempo por palabra y un mensaje de cancelación por interrupción, que es la fontanería que una pila de telefonía necesita de verdad.

• Apertura — ninguna de las dos publica los pesos. Ambas son solo alojadas, en la región y con precios del proveedor.

Esa tabla tiene una lectura obvia: AssemblyAI-TTS-1 no es un producto multilingüe y no pretende serlo. Si tu agente necesita hablar japonés, coreano o mandarín, la familia Qwen es la respuesta y este artículo termina ahí. Si tu agente habla inglés con personas que llaman en inglés y ocasionalmente español, seis idiomas son suficientes y la lista de capacidades de Qwen está pagando por funciones que tus prompts nunca usarán.

Precio por hora, tres maneras

Usando la misma estimación que en el resto de esta serie —unos 900 caracteres de habla por minuto, o aproximadamente 54 000 por hora—, el costo por hora de la síntesis es:

• AssemblyAI-TTS-1 — 15 USD por millón de caracteres, todas las voces e idiomas y la clonación incluidos, concurrencia ilimitada sin cargo: aproximadamente 0,81 USD por hora de audio.

• Qwen-Audio-3.0-TTS-Plus — 27,59 USD por millón de caracteres en Alibaba Cloud Model Studio: aproximadamente 1,49 USD por hora.

• Qwen-Audio-3.1-TTS-Plus — 19,3 $ por millón de caracteres según lo registrado por Artificial Analysis: aproximadamente 1,04 $ por hora.

Fíjate en la discrepancia que puedes ver tú mismo en el panel: Artificial Analysis lista ambas generaciones de Qwen a 19,3 USD por millón de caracteres, mientras que la ficha de Model Studio de Alibaba para 3.0-Plus indica 27,59 USD. Son dos instrumentos distintos —el precio de lista del proveedor y la normalización del panel— y ninguno de los dos es la factura que recibirás una vez que el precio por volumen comprometido entre en juego. Las cifras por hora anteriores usan cada número tal como está etiquetado, así que trata la tarifa de 3.1 como unidad de comparación y la de 3.0 como lo más parecido a un precio de lista.

AssemblyAI es el más barato de los tres, un 22% por debajo del nivel actual de Qwen y un 45% por debajo del que figura en el título de este artículo. Pero el dinero no está en la columna del precio. El dinero está en la columna del rendimiento, porque un modelo que funciona con un factor de tiempo real de 1,0 necesita aproximadamente diez veces el hardware por cada llamante simultáneo que un modelo que funciona a 162 caracteres por segundo — y los precios por carácter de los servicios alojados esconden ese multiplicador dentro de la planificación de capacidad del proveedor hasta que acaba saliendo a la superficie en forma de limitación de peticiones o de latencia en los momentos de máxima carga.

Lo que un router realmente aporta aquí

El despliegue realista para un equipo que enfrenta esta decisión no es ninguno de los modelos por sí solo. Son turnos en inglés en el endpoint barato y rápido y turnos en idiomas distintos del inglés en el nivel Qwen, con conmutación según el idioma de quien llama, lo cual es un problema de enrutamiento, no de modelo. Esa es la capa que OrcaRouter cubre para el resto del stack: una API para más de 200 modelos al precio de lista del proveedor con 0% de margen, conmutación automática a otro proveedor cuando uno se degrada, y un DSL de enrutamiento que compone varios modelos detrás de un único endpoint en lugar de varios contratos y varios SDK.

Para ser precisos sobre lo que eso significa y lo que no significa: ni AssemblyAI-TTS-1 ni ningún nivel de TTS de Qwen-Audio está en el catálogo de OrcaRouter hoy. Los modelos de voz que enrutamos son tts-1, tts-1-hd y gpt-4o-mini-tts de OpenAI y las versiones preliminares de TTS de Gemini de Google. Así que el argumento de enrutamiento se aplica al modelo de lenguaje que escribe la frase que lee tu TTS, y a cualquier modelo de voz que añadas más adelante que sí tengamos — no a estos dos.

Para quién es realmente esta comparación

Compra Qwen-Audio-3.1-TTS-Plus —no 3.0— si tu agente tiene que hablar más de seis idiomas, si necesitas una interpretación dirigida en lugar de una lectura simple, o si ya estás dentro de Alibaba Cloud y el contrato es la limitación. Ocupa el tercer puesto en la tabla ciega, cuesta 1,04 USD por hora, y su velocidad de generación es lo que debes probar frente a tu propio objetivo de concurrencia antes de comprometerte.

Compra AssemblyAI-TTS-1 si la carga de trabajo es conversación telefónica con el inglés como prioridad y a gran volumen: una tarifa plana de 15 $, concurrencia ilimitada sin cargo, 162 caracteres por segundo de margen, marcas de tiempo por palabra y cancelación por interrupción integradas, y una medición independiente de latencia de 159 ms para contrastarla con la afirmación del proveedor de 90 ms. Acepta que renuncias a diez idiomas, 86 etiquetas de control y cualquier capacidad de corregir una abreviatura mal pronunciada con un diccionario — y que su subpuntuación independiente más débil, 73,8 % en la expansión de abreviaturas, es exactamente el fallo que nota quien llama.

El error que hay que evitar es aquel al que invitaba el título de este artículo: citar la puntuación de un modelo de julio en una decisión de octubre y luego descubrir, durante la integración, que el nivel que te cotizaron es el que lo sustituyó. Comprueba qué Qwen se te está vendiendo realmente antes de compararlo con cualquier cosa.