Grok Voice 3.0 vs Qwen-Audio-3.0-TTS: Uno de estos puede oírte, y no es el más barato

Ponga las dos tarifas una al lado de la otra y el modelo de Alibaba gana por un factor de tres. Qwen-Audio-3.0-TTS genera voz a 27,6 $ por millón de caracteres, aproximadamente 1,66 $ de audio por hora, y está disponible hoy como API alojada a través de Alibaba Cloud Model Studio. Grok Voice 3.0, anunciado por SpaceXAI el 14 de octubre de 2026, cobra 0,08 $ por minuto de audio —4,80 $ la hora— más 0,004 $ por entrada de texto. El narrador es el producto más barato, y el narrador no puede oír nada de lo que usted dice. Qwen-Audio-3.0-TTS es un modelo de texto a voz. Grok Voice 3.0 es un modelo de voz a voz dúplex completo que tiene que decidir, varias veces por segundo, si usted ha terminado de hablar. El precio por hora de audio es la métrica correcta para exactamente uno de ellos.

Ese es todo el enfrentamiento en un solo párrafo, y todo lo que viene debajo es la parte que decide los despliegues: cuánto cuesta operar cada uno una vez que se cuentan los tramos de la canalización que lo rodean.

Uno renderiza un script. Uno atiende una llamada.

La conversión de texto a voz toma texto y devuelve audio. No hay audio de entrada, no hay turno que tomar, no existe el concepto de ser interrumpido y no hay transcripción que regrese, porque el modelo nunca escuchó nada. Su modelo de costos es una imprenta —páginas que entran, audio que sale— y los únicos dos números que importan son la calidad y el rendimiento, y ambos puedes medirlos antes de lanzar.

Un modelo dúplex completo procesa audio entrante mientras produce audio saliente. Su trabajo incluye las partes de una conversación que no tienen nada que ver con las palabras: hacer una pausa cuando el interlocutor hace una pausa, continuar a través de un canal de retorno en lugar de tratarlo como una interrupción, ceder el turno a mitad de frase y realizar una llamada a herramienta sin perder el hilo. Grok Voice 3.0 hace todo eso y devuelve transcripciones junto con la sesión, lo cual solo puede hacer porque estuvo escuchando todo el tiempo.

Si tu producto lee artículos en voz alta, convierte documentación en audio o narra vídeos, Grok Voice 3.0 es la herramienta equivocada, a tres veces el precio por hora, y no puede hacer la tarea en absoluto, porque no acepta un guion ni genera un archivo. Si tu producto atiende una llamada telefónica, Qwen-Audio-3.0-TTS es un tercio de un pipeline que todavía necesita reconocimiento de voz y un modelo de lenguaje para convertirse en una conversación, y cada una de esas etapas añade coste, latencia y una frontera donde muere la prosodia.

Donde Qwen-Audio-3.0-TTS es genuinamente fuerte

El argumento a favor del modelo de Alibaba no es el marketing. Publicado el 20 de julio de 2026 por Tongyi Lab de Alibaba y expuesto como una API cerrada y alojada, el nivel Plus ocupó el primer puesto en la arena de texto a voz de Artificial Analysis cuando llegó. Las clasificaciones cambian, y esta lo ha hecho: a fecha de septiembre de 2026, Qwen-Audio-3.0-TTS-Plus se sitúa cuarto en la Provider Voice Arena con un Elo de 1.232 sobre 2.306 muestras, por detrás de Cartesia Sonic 3.6 con 1.275, Inworld Realtime TTS-2 con 1.244 y Simba 3.2 de Speechify con 1.233 — tres modelos de julio y agosto que se lanzaron después. Cuarto de más de veinte, con el liderazgo perdido y la ventaja de precio intacta, sigue siendo una posición fuerte. Simplemente no es la posición que describió la cobertura del lanzamiento.

• Cobertura lingüística — 16 idiomas con posiciones de liderazgo en 10 de ellos, más 20 regiones de dialectos chinos.

• Clonación de voz — a partir de muestras de referencia cortas, incluida la clonación entre idiomas.

• Control expresivo — 86 etiquetas en línea de emoción e interpretación.

• Rendimiento — Plus genera aproximadamente 16 caracteres por segundo. Para el renderizado por lotes eso es invisible; para un producto en directo, es la cifra que determina tu búfer.

• Niveles — Flash apunta a una latencia del primer paquete de aproximadamente 300 ms para la reproducción en tiempo real; Plus es el nivel de calidad. Son productos distintos que comparten un nombre, y elegir el equivocado es un error común la primera vez.

• Discrepancia en la documentación: la ampliamente citada cifra de $27.6 por millón de caracteres no coincide con la propia página de precios de Alibaba en todas las instantáneas, que en ciertos momentos ha enumerado cifras más bajas para ambos niveles. Comprueba la cifra a nivel de cuenta antes de pronosticar, en lugar de la de la tabla de clasificación.

Dos salvedades que conviene tener en cuenta al planificar. A pesar de que se admiten dieciséis idiomas, las voces públicas preestablecidas son casi en su totalidad en chino e inglés, y las otras catorce existen mediante el flujo de trabajo de clonación, no como opciones listas para usar. Y las 86 etiquetas de emoción en línea funcionan únicamente en modo de transmisión unidireccional, por lo que el control expresivo no se conserva en todas las rutas de integración.

También hay una versión con la que hay que tener cuidado. Alibaba ahora incluye una generación Qwen-Audio-3.1-TTS y una familia Qwen Audio 3.0 Realtime aparte, y esos no son el mismo modelo que Qwen-Audio-3.0-TTS — la línea Realtime es un producto de voz a voz que aparece en una tabla de clasificación completamente distinta. Cualquiera que compare "Qwen Audio 3.0" con un modelo conversacional debería comprobar qué fila de la propia lista de precios de Alibaba está leyendo en realidad.

Cuánto cuesta Grok Voice 3.0 y qué no resuelve

Grok Voice 3.0 se lanzó el 14 de octubre de 2026 a 0,08 $ por minuto de audio más 0,004 $ por entrada de texto, sin cambios respecto al modelo al que reemplaza, y grok-voice-latest ahora se resuelve a él, mientras que grok-voice-2.0 queda marcado como obsoleto. En el Speech to Speech Index de Artificial Analysis, ocupa la primera posición con 86,9, y su componente más alto es el rendimiento agéntico, con 71,6 % en τ-Voice frente al 56,5 % de su predecesor: el mayor movimiento individual del lanzamiento.

La latencia es el punto donde los dos modelos por fin comparten una unidad. Grok Voice 3.0 declara 0,81 segundos hasta el primer audio, la cifra más rápida entre los modelos conversacionales de frontera. El nivel Flash de Qwen Audio apunta a unos 300 ms hasta el primer paquete. No son la misma medición: 300 ms es el tiempo hasta el primer paquete de un trabajo de renderizado cuyo texto ya tienes, mientras que 0,81 segundos es el tiempo hasta empezar a hablar después de que un humano dejó de hablar, lo que incluye la decisión de que era tu turno. Aproximadamente dos veces y media la latencia compra la capacidad de ser interrumpido. Si vale la pena depende enteramente de si hay una persona al otro lado.

Grok Voice 3.0 también aporta las partes de un producto de voz que un modelo TTS deja en tus manos: la sesión dúplex, la detección de turnos del lado del servidor, herramientas con alcance de sesión para que el agente pueda llamar a un backend a mitad de la conversación, y la transcripción que viene con ello. No aporta un modo de lectura de guiones, una clonación documentada como multilingüe, ni dieciséis idiomas promocionados como una característica. Su caso de uso abordable es más estrecho que el del modelo TTS, y su cifra por hora es más alta.

La versión honesta del proyecto de ley de cascada

Un producto conversacional construido sobre un modelo de texto a voz es una cascada: un modelo de reconocimiento de voz convierte el habla de quien llama en texto, un modelo de lenguaje decide qué decir, y el modelo TTS lo pronuncia. Tres proveedores, tres facturas, tres presupuestos de latencia que se suman, y un traspaso en cada límite. El tramo de TTS puede costar $1.66 por hora de audio. Los otros dos tramos son donde realmente están el dinero y los errores, y la cascada no puede oír una pausa en medio de una frase que ya está pronunciando.

Grok Voice 3.0 reduce las tres patas a una sola sesión y un solo medidor, con dos detalles que mantienen la factura honesta. Sus llamadas a herramientas y cualquier razonamiento delegado se ejecutan en el backend que sea que los atienda, a las tarifas propias de ese modelo, así que apuntar al agente a un razonador de frontera que busca en cada turno produce una llamada costosa detrás de una capa de voz barata. Y con 300.000 minutos al mes, la tarifa es de $24.000 solo por la mitad de voz.

Ese segundo medidor es donde esta comparación deja de ser una elección de modelo y se convierte en una elección de arquitectura, y es donde una capa de enrutamiento se gana su lugar. OrcaRouter no incluye ni Grok Voice 3.0 ni Qwen-Audio-3.0-TTS; las capas de voz en ambos casos quedan fuera de nuestro alcance y no enrutamos nada de ello. La pata de razonamiento no.Doscientos siete modelos de más de una docena de proveedores upstream se encuentran detrás de una sola clave al precio de lista del proveedor con cero recargo, y una rebaja de precio del proveedor llega el mismo día en lugar de en tu próxima renovación de contrato. Para una cascada que cubre la pata intermedia directamente: mantén dos opciones de reconocimiento de voz y tres razonadores detrás de un solo endpoint, hazles pruebas A/B con tráfico real y deja que el failover automático absorba una caída de un proveedor upstream sin que se corte una llamada. Un DSL de enrutamiento compone varios modelos en una sola llamada para los casos en los que un solo razonador no es suficiente.

Elegir, en una pregunta

Compra Qwen-Audio-3.0-TTS si el resultado es contenido: narración, localización, audio de accesibilidad, doblaje o cualquier flujo de trabajo en el que el texto exista antes que el audio y la métrica sea la calidad por hora renderizada. Empieza con Flash si necesitas reproducción en vivo y pasa a Plus cuando la voz en sí sea el entregable, establece el precio del flujo de trabajo de clonación por separado del de las voces predefinidas, y confirma la tarifa por millón de caracteres a nivel de cuenta antes de basar una previsión en ella.

Compra Grok Voice 3.0 si la entrada es una persona. Líneas de soporte, flujos de reservas, entrevistas de admisión, cualquier cosa en la que la primera sílaba de quien llama llegue mientras el modelo está a mitad de frase y el sistema tenga que comportarse como un oyente y no como un reproductor. Cuesta más por hora de audio, no puede leer tu documento y es el único de los dos que se puede interrumpir.

Muchos productos reales quieren ambas cosas: un modelo de renderizado que produce los recursos de audio y un modelo dúplex que gestiona la llamada a la que pertenecen esos recursos. Lo que no deberían compartir es un modelo de costos. La hora de audio es la unidad correcta para uno de estos dos, y el costo real del otro es el pipeline que evitaste al no construir una cascada.