AssemblyAI-TTS-1 vs Qwen-Audio-3.0-TTS : le modèle mentionné dans le titre n’est pas celui qu’il faut acheter

Cette comparaison nomme Qwen-Audio-3.0-TTS, et c'est un problème qu'il vaut la peine de corriger avant de citer le moindre chiffre. Alibaba a retiré la version 3.0 en tant que modèle vocal phare le 23 septembre 2026, lorsque la série Qwen-Audio-3.1 a été lancée à la conférence Apsara et a placé Qwen-Audio-3.1-TTS-Plus au sommet de sa propre gamme TTS. Donc la version honnête de cette confrontation compte trois modèles, pas deux — AssemblyAI-TTS-1, le point de terminaison fermé à 15 $ par million de caractères, devenu disponible pour le grand public le 27 octobre 2026, face aux deux générations de la pile vocale de Qwen — et la réponse change selon le Qwen que vous vouliez réellement désigner. Si votre contrat, votre intégration ou votre note d'approvisionnement indique 3.0, lisez la section suivante. Si elle indique 3.1, passez-la.

D'abord, la correction : 3.0 n'est pas le Qwen actuel

Qwen-Audio-3.0-TTS est sorti le 20 juillet 2026 en deux versions. Flash a été conçue pour un usage en temps réel, avec une latence du premier paquet d'environ 300 ms ; Plus constituait la version haut de gamme en termes de qualité, à 27,59 $ par million de caractères via Alibaba Cloud Model Studio. La famille couvre 16 langues ainsi que 20 régions de dialectes chinois, prend en charge 86 balises de contrôle en ligne telles que [angry] et [giggles] aux côtés d'une direction de style en langage naturel libre, effectue du clonage zero-shot robuste au bruit, produit une sortie à 48 kHz et synthétise jusqu'à trois minutes en une seule passe. Il est fermé et uniquement hébergé — aucun poids ouvert, ce qui constituait un écart délibéré par rapport au Qwen3-TTS à poids ouverts précédent d'Alibaba.

Dix semaines plus tard, la stack 3.1 l’a remplacée dans ASR, TTS, TTS-Next et le temps réel. Le palier TTS 3.1 propose la même gamme de 8 voix, est affiché à 19,3 $ par million de caractères dans la colonne des prix d’Artificial Analysis, et correspond à l’entrée à laquelle la plupart des comparaisons Qwen depuis fin septembre font réellement référence. En pratique : 3.0 reste appelable si vous êtes déjà intégré, 3.1 est ce qui est cité à un nouvel acheteur, et tout article qui place le score de juillet de 3.0 à côté d’un lancement d’octobre sans le préciser vous vend une comparaison périmée.

Le plateau, lu une fois, pour les trois

Provider Voice Arena d'Artificial Analysis, relevé le 30 octobre 2026, soit un instrument par ligne ci-dessous :

• Qwen-Audio-3.1-TTS-Plus — troisième, 1 305 points Elo, 2 281 échantillons, sorti en septembre 2026.

• Qwen-Audio-3.0-TTS-Plus — septième, 1 269 Elo, 2 794 échantillons, publié en juin–juillet 2026.

• AssemblyAI-TTS-1 — quatorzième, 1 227 Elo, 1 632 échantillons, publié en octobre 2026.

• ElevenLabs Eleven v4 Turbo et Eleven v4 occupent les première et deuxième places avec 1 336 et 1 334, à titre de référence — ce dont cet article ne traite pas.

L’écart de 78 points entre AssemblyAI-TTS-1 et le palier actuel de Qwen TTS est réel, mais ce n’est pas l’écart le plus large de cette comparaison — ElevenLabs se situe 31 points au-dessus de Qwen et 109 points au-dessus d’AssemblyAI sur la même lecture. Ce qui compte davantage, c’est qu’une ligne de 1 632 échantillons pour un modèle âgé de quatre jours ne constitue qu’une preuve ténue, et que les intervalles de ce classement sont assez larges pour qu’une nouvelle exécution puisse faire bouger AssemblyAI-TTS-1 de quelques places sans que rien ne change dans le modèle.

Seize caractères par seconde est le nombre qui décide de cela.

Voici la mesure que presque personne n’intègre dans une comparaison de Qwen, et c’est celle qui compte pour la tâche pour laquelle AssemblyAI-TTS-1 a été conçu.

Artificial Analysis mesure AssemblyAI-TTS-1 à 162 caractères par seconde de synthèse. Qwen-Audio-3.0-TTS-Plus, selon le même type de mesure, génère environ 16 caractères par seconde — le modèle le plus lent de tous ceux qui s’approchent du sommet du classement. La version 3.1 a amélioré cela, mais la vitesse de génération reste le point faible de la famille plutôt que sa force.

Convertissez maintenant en la seule unité qui compte pour un agent en direct. La parole ordinaire s'écoule à environ 900 caractères par minute, soit 15 caractères par seconde. Un modèle qui génère 16 caractères par seconde correspond, à l'arrondi près, à un facteur temps réel de 1,0 — il peut tout juste garder une longueur d'avance sur un flux de lecture, et il ne peut pas servir deux conversations simultanées sans davantage de matériel derrière. Un modèle à 162 caractères par seconde dispose d'environ dix flux de marge par unité de la même puissance de calcul.

Cela recadre l’écart Elo. Un déficit de 78 points en matière de préférence à l’aveugle est une question de qualité à laquelle vous pouvez répondre avec votre propre corpus. Un déficit de débit d’un facteur dix est une question de capacité qui arrive sous forme de facture, car la solution consiste à disposer de davantage de secondes GPU par appelant simultané, et, selon la tarification hébergée d’Alibaba, ce n’est pas un levier que vous contrôlez.

Les deux mises en garde, dites clairement. Il s’agit de deux fournisseurs mesurés sur un même instrument, et non d’une comparaison directe contrôlée ; le débit de génération dépend du matériel, du traitement par lots et de la longueur des séquences. Et le tokeniseur vocal 12,5 Hz de Qwen — volontairement bas comparé aux 50–75 Hz habituels — est ce qui maintient sa latence du premier paquet près de 300 ms sur le niveau Flash. Qwen a optimisé pour la latence jusqu’au premier son. AssemblyAI a optimisé pour les caractères par seconde une fois le tour de parole commencé. Ce sont des paris différents, et un agent téléphonique ressent les deux.

Les langues et les balises de contrôle sont les domaines où Qwen est loin d’être surpassé.

Si l’argument du débit tranche le cas du centre d’appels, l’argument linguistique tranche tout le reste, et ce n’est pas subtil :

• Couverture — Qwen-Audio-3.0-TTS est proposé en 16 langues et couvre 20 régions dialectales chinoises ; AssemblyAI-TTS-1 a été lancé avec six langues (anglais, espagnol, français, allemand, italien, portugais) et plusieurs accents au sein de celles-ci.

• Orientation — Qwen expose 86 balises de contrôle en ligne ainsi que des prompts de style libres ; AssemblyAI-TTS-1 n’a ni balises d’émotion, ni SSML, ni paramètre de vitesse, ni dictionnaire de prononciation au lancement, et sa propre publication indique que les disfluences écrites sont lues telles qu’écrites plutôt qu’interprétées.

• Clonage — Qwen effectue un clonage zero-shot robuste au bruit ; AssemblyAI effectue un clonage instantané à partir d'un échantillon de 24 secondes, avec une étape de confirmation de l'autorisation du locuteur. Aucun des deux ne propose de niveau de clonage professionnel entraîné, qui est un produit ElevenLabs, et non de Qwen ou d'AssemblyAI.

• Sortie — Qwen synthétise à 48 kHz avec un plafond de trois minutes en une seule passe ; AssemblyAI diffuse en flux du PCM 8–48 kHz, µ-law ou A-law avec des horodatages par mot et un message d’annulation d’interruption, ce qui constitue la tuyauterie dont une pile téléphonique a réellement besoin.

• Ouverture — aucun des deux ne publie ses poids. Les deux sont uniquement hébergés, dans la région, au tarif du fournisseur.

Ce tableau a une lecture évidente : AssemblyAI-TTS-1 n’est pas un produit multilingue et ne prétend pas l’être. Si votre agent doit parler japonais, coréen ou mandarin, la famille Qwen est la réponse et cet article s’arrête là. Si votre agent parle anglais à des interlocuteurs anglophones et occasionnellement espagnol, six langues suffisent, et la liste des capacités de Qwen vous fait payer des fonctionnalités que vos prompts n’utiliseront jamais.

Prix à l’heure, trois façons

En utilisant la même estimation que partout ailleurs dans cette série — environ 900 caractères de parole par minute, donc environ 54 000 par heure — le coût horaire de la synthèse est :

• AssemblyAI-TTS-1 — 15 $ par million de caractères, toutes les voix et langues et le clonage inclus, concurrence illimitée sans frais : environ 0,81 $ par heure d’audio.

• Qwen-Audio-3.0-TTS-Plus — 27,59 $ par million de caractères sur Alibaba Cloud Model Studio : environ 1,49 $ par heure.

• Qwen-Audio-3.1-TTS-Plus — 19,3 $ par million de caractères selon Artificial Analysis : environ 1,04 $ de l’heure.

Remarquez la divergence que vous pouvez constater vous-même sur le tableau : Artificial Analysis indique les deux générations de Qwen à 19,3 $ par million de caractères, tandis que la fiche Model Studio d'Alibaba pour 3.0-Plus affiche 27,59 $. Ce sont deux instruments — le prix catalogue du fournisseur et la normalisation du tableau — et ni l'un ni l'autre n'est la facture que vous recevrez dès que la tarification sur volume engagé entrera en jeu. Les chiffres par heure ci-dessus utilisent chaque nombre tel qu'il est libellé ; considérez donc le tarif 3.1 comme une unité de comparaison et le tarif 3.0 comme ce qui s'approche le plus d'un prix catalogue.

AssemblyAI est le moins cher des trois, de 22 % par rapport à l’offre Qwen actuelle et de 45 % par rapport à celle mentionnée dans le titre de cet article. Mais ce n’est pas dans la colonne des prix que se trouve l’argent. L’argent se trouve dans la colonne du débit, car un modèle fonctionnant à un facteur temps réel de 1,0 nécessite environ dix fois plus de matériel par appelant simultané qu’un modèle fonctionnant à 162 caractères par seconde — et la tarification par caractère des services hébergés dissimule ce multiplicateur dans la planification de capacité du fournisseur jusqu’à ce qu’il refasse surface sous forme de limitation de débit ou de latence aux heures de pointe.

Ce qu’un routeur ajoute réellement ici

Le déploiement réaliste pour une équipe confrontée à cette décision n'est ni l'un ni l'autre des modèles pris isolément. Il consiste à router les tours en anglais vers le point de terminaison économique et rapide, et les tours dans les autres langues vers le palier Qwen, en fonction de la langue de l'appelant — ce qui relève du routage, et non du modèle. C'est la couche qu'OrcaRouter prend en charge pour le reste de la pile : une API unique pour plus de 200 modèles au prix catalogue du fournisseur, avec 0 % de marge, un basculement automatique en cas de dégradation d'un fournisseur, et un DSL de routage qui compose plusieurs modèles derrière un point de terminaison unique au lieu de plusieurs contrats et de plusieurs SDK.

Pour être précis sur ce que cela implique et n’implique pas : ni AssemblyAI-TTS-1 ni aucun niveau TTS Qwen-Audio ne figure au catalogue d’OrcaRouter aujourd’hui. Les modèles vocaux que nous acheminons sont tts-1, tts-1-hd et gpt-4o-mini-tts d’OpenAI, ainsi que les aperçus Gemini TTS de Google. L’argument en faveur du routage s’applique donc au modèle de langage qui écrit la phrase que votre TTS lit, et à tout modèle vocal que vous ajouterez par la suite et que nous proposons — et non à ces deux-ci.

À qui s’adresse réellement cette comparaison

Achetez Qwen-Audio-3.1-TTS-Plus — et non 3.0 — si votre agent doit parler plus de six langues, si vous avez besoin d’une performance dirigée plutôt que d’une simple lecture, ou si vous êtes déjà dans Alibaba Cloud et que le contrat est la contrainte. Il occupe la troisième place du classement à l’aveugle, coûte 1,04 $ de l’heure, et sa vitesse de génération est ce qu’il faut tester par rapport à votre propre objectif de concurrence avant de vous engager.

Achetez AssemblyAI-TTS-1 si la charge de travail est constituée de conversations téléphoniques à dominante anglophone et à fort volume : un tarif forfaitaire de 15 $, une concurrence illimitée sans frais, une marge de 162 caractères par seconde, des horodatages par mot et une fonction d’annulation en cas d’interruption (barge-in) intégrée, ainsi qu’une mesure indépendante de la latence de 159 ms à comparer à une déclaration du fournisseur de 90 ms. Acceptez que vous renoncez à dix langues, à 86 balises de contrôle et à toute possibilité de corriger une abréviation mal prononcée au moyen d’un dictionnaire — et que sa sous-note indépendante la plus faible, 73,8 % sur le développement des abréviations, est exactement l’échec qu’un appelant remarque.

L’erreur à éviter est celle que le titre de cet article invitait à commettre : citer le score d’un modèle de juillet dans une décision d’octobre, puis découvrir au moment de l’intégration que le niveau qui vous a été cité est celui qui l’a remplacé. Vérifiez quel Qwen on vous vend réellement avant de le comparer à quoi que ce soit.