Voxtral 3 TTS vs Qwen-Audio-3.0-TTS-Plus: dos voces baratas, dos mapas diferentes

Ambos modelos son más baratos que la frontera y ambos quedan fuera de ella, lo que hace que la elección entre Voxtral 3 T​TS y Q​wen-Audio-3.0-T​TS-Plus sea una cuestión de cobertura más que de calidad. En el ranking Provider Voice de Artificial Analysis están separados por 47 puntos Elo —Q​wen en 1.264 (#7), el nuevo modelo de Mistral en 1.217 (#13)—, y sus precios son 19,31 $ y 13,00 $ por millón de caracteres. Ninguna de las dos diferencias es decisiva. Lo decisivo es que el modelo de A​libaba se construyó en torno al chino, incluidas veinte regiones dialectales y ochenta y seis etiquetas de locución integradas, mientras que el de Mistral se construyó en torno a las veinticuatro lenguas oficiales de la Unión Europea. Si tu producto habla mandarín, cantonés o hokkien, la discusión termina en la lista de idiomas. Si habla portugués, polaco o neerlandés, también termina ahí, en la dirección opuesta. Los fallos de IA y los incidentes de agentes documentados que hay detrás de lanzamientos como este se recopilan en el OrcaRouter AI Incident Archive donde cada entrada incluye sus propias fuentes, gravedad, grado de confianza e indicador de disputa.

Los números, y cuánto peso tienen

• Elo de voz del proveedor — Q​wen-Audio-3.0-T​TS-Plus: 1.264. Voxtral 3 T​TS: 1.217. Ambos según Artificial Analysis, 21 de octubre de 2026.

• Elo de voz controlada — Q​wen-Audio-3.0-T​TS-Plus: 1,125 (#7). Voxtral 3 T​TS: 1,066 (#14). La diferencia aumenta de 47 a 59 puntos una vez que ambos se clonan sobre las mismas ocho voces de referencia, lo que significa que la ventaja de A​libaba está en el motor de síntesis, no en su biblioteca de voces.

• Precio por 1 millón de caracteres: $19.31 para Qwen-Audio-3.0-TTS-Plus, $13.00 para Voxtral 3 TTS. A razón de aproximadamente 900 caracteres por minuto de voz, eso equivale a $1.04 frente a $0.70 por hora.

• Idiomas — A​libaba: 16 idiomas más 20 regiones de dialectos chinos. Mistral: más de 35 idiomas y más de 50 dialectos, con ajustes predefinidos en 18 idiomas.

• Clonación de voz — Alibaba: clonación a partir de audio de referencia, incluida la transferencia de timbre entre idiomas. Mistral: adaptación «Pro Voice» a partir de 30 minutos de audio. Ninguno ofrece el clon instantáneo de diez segundos que vende Cartesia.

• Weights — cerrado por ambos lados. Ambos son productos solo de API.

• Latencia — Alibaba publica por separado una cifra de streaming hasta el primer carácter para sus modelos de reconocimiento y otra para su modelo de voz en tiempo real; Mistral no publica ningún tiempo hasta el primer audio para Voxtral 3 TTS. Ninguna de las dos cifras es comparable entre proveedores y, en el caso de la síntesis, ninguna constituye una medición independiente.

Una advertencia sobre las cifras de Elo: Voxtral 3 TTS llevaba un día en la tabla cuando se leyeron estas, con 1.619 comparaciones frente a las 2.399 de Qwen. Una diferencia de 47 puntos dentro de intervalos de confianza superpuestos con ese tamaño de muestra es una dirección, no un veredicto. Léalo como «Qwen probablemente está algo por delante» en lugar de como un 47 medido.

Donde el modelo de Alibaba gana, y no se trata de una victoria marginal.

La cobertura del chino es la primera y la mayor diferencia, y merece la pena precisar qué significa «20 regiones dialectales». La línea de voz de Alibaba está diseñada para un mercado interno en el que una única lengua escrita se corresponde con hablas que un modelo solo de mandarín destroza: cantonés, sichuanés, wu, minnan y muchas más. Qwen-Audio-3.0-TTS-Plus admite esas regiones de forma nativa, y la generación 3.1 de Alibaba añadió transferencia de timbre entre idiomas —una misma voz trasladada al mandarín, el cantonés, el inglés y el japonés—, que es la característica que importa si estás localizando a un único presentador en lugar de elegir voces para cada mercado.

El segundo es el control de la entrega a nivel de token. Q​wen-Audio-3.0-T​TS-Plus heredó de su generación un conjunto documentado de 86 etiquetas de entrega en línea, lo que permite que un guion lleve marcadores de emoción, ritmo y énfasis directamente en la transcripción. El Voxtral 3 T​TS de Mistral expone control a nivel de prompt de emoción, ritmo y énfasis, además de pronunciación a nivel de fonema y una biblioteca de vocabulario; comparable en intención, pero el vocabulario de etiquetas de A​libaba es el más granular de los dos sobre el papel.

La tercera es que A​libaba lanzó una versión hermana más barata. La actualización 3.1 convirtió a T​TS en una SKU de nivel Flash, así que un equipo que considere demasiado caro el nivel 3.0-Plus tiene una ruta de degradación documentada dentro del mismo proveedor, a un precio aproximadamente similar al de Voxtral 3 T​TS. La respuesta de Mistral a «más barato, por favor» es el mismo modelo o un proveedor diferente.

El punto en el que el modelo de A​libaba es más débil también está claro: 16 idiomas es un mapa pequeño. Si tu catálogo funciona en polaco, turco, vietnamita o portugués, Q​wen-Audio-3.0-T​TS-Plus no te cubre, y ninguna cantidad de Elo cierra esa brecha.

Donde gana Voxtral 3 T​TS

Amplitud lingüística fuera de Asia, sin rodeos. Se declaran más de 35 idiomas con más de 50 dialectos, y una familia orientada a la contratación europea: Mistral indica que los 24 idiomas oficiales de la UE están cubiertos en los modelos de transcripción y en los endpoints de API de la UE, EE. UU. y globales, con autodespliegue en infraestructura privada para los compradores que necesitan controlar dónde se procesa el audio y si se conserva. Para un comprador europeo del sector público o sanitario, eso no es un criterio de desempate: es un requisito.

El segundo es el stack que lo rodea. Voxtral 3 T​TS no se vende como un endpoint aislado: incluye un SDK de agentes basado en LiveKit compatible con SIP, WebRTC e IVR, una latencia declarada por turno de agente inferior a un segundo y un precio por minuto para todo el ciclo: 0,04 $ con razonamiento Mistral Small 4 y 0,08 $ con un modelo de razonamiento diferente. A​libaba también tiene un modelo de voz en tiempo real, pero el de Mistral se documenta como una propuesta de empaquetado con una cifra publicada por minuto, lo que es más fácil para construir un caso de negocio que una tarifa por token.

El tercero es el precio, por poco. 13 $ frente a 19,31 $ es un descuento del 33 %, y a escala eso es una cifra real: diez mil horas al mes son unos 7000 $ frente a 10 400 $. No es un acontecimiento de reajuste de precios, pero tampoco es nada.

El caso de enrutamiento es más sólido aquí que en la mayoría de los emparejamientos.

La mayoría de los artículos que comparan modelos entre sí terminan con un «elige uno». Este par es un verdadero problema de portafolio, porque los dos mapas de cobertura apenas se solapan en los extremos y ambos son lo bastante económicos como para ejecutarlos en paralelo. Una plataforma europea de comercio electrónico que narra páginas de producto en ocho lenguas de la UE y además atiende a una base de clientes de habla cantonesa necesita ambos. También un estudio de doblaje que trabaja en una serie con diálogos en mandarín y subtítulos en francés.

La parte incómoda de ejecutar ambos no es la elección del modelo, sino la fontanería: dos proveedores, dos esquemas de autenticación, dos relaciones de facturación, dos conjuntos de modos de fallo. OrcaRouter existe exactamente para ese escenario — una única clave compatible con OpenAI para más de 200 modelos, el precio de lista del proveedor trasladado con un margen del 0 %, de modo que un cambio de precio del proveedor se aplica el mismo día, y un DSL de enrutamiento que puede enviar una solicitud etiquetada por idioma al modelo que cubre ese idioma. Ni Voxtral 3 T​TS ni Q​wen-Audio-3.0-T​TS-Plus están en el catálogo de OrcaRouter a la fecha de redacción, y una API para más de 200 modelos es una afirmación sobre el catálogo que sí operamos, no sobre estos dos — hoy se accede a ambos a través de las API propias de sus proveedores y de varias plataformas de terceros. La idea de diseño sigue siendo válida en cualquier caso: si tu matriz de idiomas requiere dos proveedores, quieres que la separación resida en una regla de enrutamiento en lugar de en dos rutas de código.

Lo que ninguno de los dos proveedores ha publicado

Tres brechas, y son las mismas tres en ambos casos, lo que dice algo sobre lo joven que sigue siendo este segmento del mercado.

No hay puntuaciones por idioma. Ambas cifras Elo son agregadas. Un modelo puede situarse en 1.264 en la clasificación general y ser excelente en mandarín y mediocre en francés; la tabla no puede decírtelo, y ninguno de los proveedores publica un desglose por idioma. Para cualquier decisión que dependa de la calidad en un idioma concreto, la única prueba fiable es tu propio corpus, leído por un hablante nativo al que no se le dice qué modelo produjo cada muestra.

Ninguna cifra de resistencia para formato largo. Los clips de Arena duran segundos. Ninguno de los dos modelos documenta una longitud máxima de generación para su endpoint de TTS, y ninguno tiene una prueba publicada de coherencia a lo largo de diez minutos —la duración a la que un audiolibro funciona o no. La generación 3.1 de Qwen trasladó la generación de escenas de formato largo a un modelo separado -Next en lugar de extender el endpoint de TTS, lo que es una admisión implícita de que el modelo base no es la herramienta para formato largo.

No hay mediciones independientes de latencia. Mistral no publica nada para la síntesis de TTS de Voxtral 3; Alibaba publica cifras del proveedor. Artificial Analysis reporta una mediana de rendimiento de 112 caracteres por segundo para Voxtral 3 TTS, pero no para Qwen-Audio-3.0-TTS-Plus en la misma página. En un agente de voz en vivo, el tiempo hasta el primer audio determina la experiencia del producto más que el Elo, y es la cifra menos documentada de la categoría.

El reparto honesto

Elija Q​wen-Audio-3.0-T​TS-Plus si el producto habla chino —mandarín con acentos regionales, cantonés o alternancia de código entre chino e inglés— o si necesita etiquetas granulares de estilo de locución dentro de la transcripción y desea un proveedor con un nivel más económico documentado por debajo del buque insignia. Cuesta un 48 % más que Voxtral y está claramente por delante en ambas clasificaciones; para trabajo centrado en el chino, es dinero bien invertido.

Elige Voxtral 3 TTS si el producto habla lenguas europeas, si la residencia de datos en la UE es un requisito de contratación, o si estás creando un agente de voz y quieres la síntesis integrada con un SDK de agentes y un precio publicado por minuto. Renuncias a 47 puntos Elo y ganas un mapa de idiomas que cubre los mercados en los que vendes.

Elige ambos —y enruta entre ellos— si tu audiencia abarca genuinamente ambos mapas. En una lectura de Elo por dólar, los dos están lo bastante cerca como para que el empate deba resolverse por cobertura, no por puntuación, y un producto con clientes en Guangzhou y Gdańsk no tiene una única respuesta correcta.

Lo que vale la pena observar es si alguno de los dos proveedores publica un desglose por idioma. En cuanto uno lo haga, esta comparación dejará de ser una discusión sobre mapas y pasará a ser una discusión sobre mediciones, que es una discusión que vale más la pena tener.