GPT-Live-1 vs Qwen-Audio-3.1 : le combat full-duplex est celui qui vaut la peine d'être livré

La façon évidente d'écrire cette comparaison, c'est le prix par heure d'audio, et c'est la mauvaise façon. Qwen-Audio-3.1-TTSproduit de la parole à 19,30 $ le million de caractères selon la conversion d'Artificial Analysis — environ un cinquième de ce que coûte une heure de GPT-Live-1de temps vocal, à 0,05 $ la minute — et ce chiffre finira dans une présentation d'achat ce mois-ci. Il ne le devrait pas, car Qwen-Audio-3.1 n'est pas un seul modèle. C'est une refonte de cinq modèles qu'Alibaba a annoncée le 23 septembre 2026 à la conférence Apsara de Hangzhou, et l'un de ces cinq, Qwen-Audio-3.1-Realtime, fait le même travail que GPT-Live-1. Voilà la confrontation qui contient une véritable décision, et Alibaba a réduit son prix d'environ 85 %.

Les deux familles, côte à côte

La mise à jour d’Alibaba couvrait la synthèse, la reconnaissance, la conversation en temps réel et la compréhension audio, avec des baisses sur toute la gamme : synthèse en baisse d’environ 70 %, temps réel en baisse d’environ 85 %, reconnaissance jusqu’à 95 %. Les niveaux ne sont pas interchangeables et chacun a son propre prix et sa propre fonction.

• Q​wen-Audio-3.1-TTS — le successeur en matière de synthèse : 16 langues, dont sept ajoutées dans cette version, 20 régions dialectales chinoises conservées, un contrôle de l'émotion, du rythme et de l'élocution par instruction, et un transfert naturel de timbre inter-langues qui fait porter une même voix au mandarin, au cantonais, à l'anglais et au japonais.

• Q​wen-Audio-3.1-TTS-Next — un produit différent sous un nom familier. A​libaba l’appelle un modèle audiogen : voix, effets sonores et ambiance de fond générés en une seule passe à partir de texte, d’horodatages et d’audio de référence, avec dialogue multi-locuteurs et sortie à 48 kHz. Selon la documentation Model Studio d’A​libaba Cloud, il accepte jusqu’à 3 000 caractères en entrée, plafonne l’audio généré à 240 secondes pour les podcasts et à 120 sinon, fonctionne à 3 requêtes par seconde, et renvoie du WAV, du MP3 ou du PCM.

• Q​wen-Audio-3.1-Realtime — conversationnel en duplex intégral, et celui qu'A​libaba pousse dans le matériel : Q​wen Office, Qoder, QwenNote A2, le robot de bureau QwenNote Eva, et les lunettes Q​wen AI.

• Q​wen-Audio-3.1-ASR et ASR-Next — reconnaissance et compréhension audio couvrant les émotions, la musique, les sons environnementaux et la localisation d’événements.

GPT-Live-1 est une seule chose, pas une famille. Sessions vocales full-duplex, entrée audio et texte, sortie audio et texte, images et vidéo non prises en charge, date de coupure des connaissances : 31 juillet 2025, servi uniquement via v1/live/sessions, avec Chat Completions, Responses, Realtime et Batch tous hors périmètre. Il diffuse en streaming et prend en charge l'appel de fonctions ; les sorties structurées et le fine-tuning ne sont pas pris en charge. Son architecture est scindée : GPT-Live gère la conversation tandis qu'un modèle ou agent backend délégué gère le raisonnement et les outils, soit via une délégation Responses avec un modèle OpenAI, soit via une délégation client vers votre propre service.

Donc, la comparaison honnête, c'est TTS face à TTS, Realtime face à Live. Les deux moitiés sont tarifées complètement différemment.

La moitié consacrée au rendu : là où Qwen est vraiment difficile à contester

Si votre charge de travail est la narration, l’audio de documentation, les invites IVR ou la voix off vidéo, Q​wen-Audio-3.1-TTS est un choix par défaut solide, et la baisse de prix n’a fait que le renforcer.

• Classement indépendant — Elo 1 296 sur la Provider Voice Arena d'Artificial Analysis, troisième du classement derrière les deux entrées d'Eleven à 1 330 et 1 329, et devant Cartesia Sonic 3.6 à 1 285, Gemini 3.8 Flash TTS à 1 275, la génération précédente de Qwen lui-même à 1 265 et Realtime TTS-2 à 1 262.

• Position de Controlled Voice — Elo 1 186, deuxième au classement des voix clonées derrière HeyGen Voice à 1 202, avec 1 856 échantillons contre 1 482 pour HeyGen.

• Prix selon la conversion de l’arène — 19,30 $ par million de caractères, contre 40,00 $ pour Eleven v4 Turbo, 16,5 $ pour Gemini 3.8 Flash TTS et 49,0 $ pour Cartesia Sonic 3.6.

• Couverture — 16 langues, 20 régions dialectales chinoises, transfert de timbre inter-langues et contrôle émotionnel et de l'élocution basé sur des instructions.

• Bibliothèque de voix — 68 voix sur TTS-Flash, réparties entre quatre voix multilingues et dialectales, 22 voix premium en mandarin, 15 voix premium en anglais et 27 voix système supplémentaires. Les ID de voix sont sensibles à la casse, et la disponibilité n’est pas uniforme : seuls les ensembles multilingues et en anglais premium sont desservis depuis la région de Singapour, le reste étant uniquement disponible à Beijing.

Une mise en garde sur les chiffres à garder en tête pour un budget : Alibaba publie des tarifs par token, tandis qu’Artificial Analysis publie une conversion par caractère, et les deux ne concordent pas. La documentation d’Alibaba elle-même indique TTS-Flash à environ 0,23 $ par million de tokens en entrée et 1,87 $ en sortie à Singapour, ce qui constitue encore une unité différente de celle des 19,30 $ par million de caractères de l’arène et du chiffre plus ancien de 27,6 $ qui circule toujours pour la génération précédente. Vérifiez le tarif au niveau du compte dans la région où vous déployez réellement, pas celui d’une capture d’écran.

Face à GPT-Live-1, la comparaison de rendu se résout de la même façon que face à n'importe quel modèle TTS : le moteur d'OpenAI facture à la minute ouverte, que quelque chose soit généré ou non, et ne peut pas être traité par lots. Pour une charge de travail scriptée, il coûte environ vingt-sept fois le coût par minute d'audio des moteurs de rendu les moins chers de la catégorie cartel et constitue structurellement le mauvais outil.

La moitié conversationnelle, qui est la véritable décision

Les deux fournisseurs vendent désormais un modèle conversationnel full-duplex, et les preuves à l’appui de chacun relèvent d’une espèce différente de preuves. Cette asymétrie compte davantage que n’importe quel chiffre pris isolément.

G​PT-Live-1 a un placement indépendant. L’indice parole-à-parole d’Artificial Analysis — une moyenne pondérée du raisonnement vocal, de la performance agentique, de la préférence d’arène et de la réussite des tâches — le classe sous des configurations de backend nommées plutôt que sur une seule ligne, avec G​PT-Live-1 (Astra, medium) et G​PT-Live-1 (Sol, low) parmi les meilleures entrées, en dessous de G​rok Voice 3.0 et aux côtés de G​emini 3.8 Live Extended Thinking. Le panneau des coûts du même tableau affiche pour les configurations G​PT-Live-1 des prix compris entre environ 4,42 $ et 10,75 $ par heure d’audio en entrée. Il s’agit d’une véritable évaluation par un tiers, et c’est aussi un rappel que, dans cette architecture, le backend fait varier le score : le même modèle vocal apparaît deux fois avec des résultats différents.

Q​wen-Audio-3.1-Realtime n'apparaît pas dans cet index. Sa position repose sur les propres résultats de référence revendiqués par A​libaba pour la famille, son déploiement dans le matériel grand public d'A​libaba et la baisse de prix. L'absence d'un classement n'est pas un verdict de qualité — le classement exige un ensemble précis de résultats de composants avant de publier un score d'index — mais cela signifie bien que, du côté conversationnel, l'un de ces deux dispose d'un chiffre indépendant et l'autre de celui d'un fournisseur.

La différence commerciale est plus marquée que la technique. Alibaba a réduit la tarification en temps réel d'environ 85 % dans la même annonce, ce genre de geste qui change ce qu'un produit peut se permettre d'être. Un appareil grand public destiné au marché chinois commercialisant un modèle full-duplex à ce tarif, ce n'est pas la même activité qu'un appareil qui le propose à 0,05 $ la minute.

Ce qu’aucun des deux fournisseurs ne résout pour vous : où le raisonnement se produit

Les deux systèmes délèguent. GPT-Live-1 le fait explicitement et par conception : il écoute et parle pendant qu’un modèle ou agent backend raisonne, utilise des outils et renvoie des résultats que le système doit communiquer, et le backend constitue une facture distincte aux tarifs normaux des modèles, en plus des 0,05 $ par minute. La pile d’Alibaba fait la même chose à travers une famille de cinq modèles, c’est pourquoi les offres ASR, audiogen et temps réel existent en tant que lignes de facturation distinctes.

La conséquence est la même dans les deux cas, et c’est là que la plupart des projets conversationnels dépensent trop. La durée totale de la session est facturable sur G​PT-Live-1, y compris pendant que le backend travaille. Les propres recommandations d’O​penAI en matière de coûts rendent le calcul explicite — faire tourner un backend plus rapide avec des appels d’outils en parallèle pour que l’utilisateur termine une minute plus tôt permet d’économiser 0,05 $ de frais vocaux — et le levier est la durée de session, pas le tarif de la voix. Une conversation dont le backend bloque pendant quatre secondes est une conversation qui coûte plus cher et qui est plus désagréable à la fois.

C'est la partie de la pile qu'une couche de routage modifie réellement. La délégation côté client signifie que le backend délégué peut être votre propre harnais, de sorte que le modèle de raisonnement devient une variable que vous pouvez ajuster par route au lieu d'une dépendance figée. OrcaRouter expose plus de 200 modèles au prix catalogue du fournisseur, sans marge, ce qui compte le plus précisément quand un fournisseur baisse un prix — la baisse est effective ici le jour même, plutôt qu'à votre prochain renouvellement de contrat. Le basculement automatique tient une panne de fournisseur à l'écart d'une conversation en direct, et le DSL de routage vous permet de composer l'étape de raisonnement à partir de plusieurs modèles plutôt que de parier la session sur un seul. Pour énoncer clairement la limite : OrcaRouter n'héberge ni G​PT-Live-1 ni aucun niveau Q​wen-Audio-3.1. Ce qu'il route, c'est le raisonnement délégué derrière une session Live.

Lequel, pour quel travail ?

Audio scripté à grande échelle : Q​wen-Audio-3.1-TTS, et vérifiez la tarification actuelle des paliers au niveau du compte plutôt que de vous fier à la conversion de l'arène. Il se classe troisième sur le classement des fournisseurs indépendants, deuxième sur celui des voix contrôlées, et son prix se situe au milieu du peloton après une réduction de 70 %. Si vous avez besoin d'effets sonores et d'ambiances en une seule passe, TTS-Next est une capacité réellement différente plutôt qu'un palier de la même capacité.

Couverture du chinois et des dialectes : Q​wen, sans conteste. Vingt régions dialectales et le transfert de timbre interlangue ne sont pas des fonctionnalités auxquelles G​PT-Live-1 peut répondre, et l’asymétrie des préréglages du côté d’O​penAI — l’hindi et le coréen obtiennent une voix chacun, toutes deux féminines — montre à quel point les deux fournisseurs ont accordé une priorité différente à l’étendue linguistique.

Produit conversationnel axé d’abord sur l’anglais, avec un classement indépendant en arrière-plan : G​PT-Live-1, avec cette réserve que vous achetez un système à deux modèles et que c’est la moitié backend qui concentre à la fois le coût et la qualité.

Et si vous construisez spécifiquement sur l'offre temps réel d'A​libaba, la question à trancher avant de vous engager est celle qu'aucun classement ne tranchera à votre place : ce que votre backend coûte par session. À 85 % de réduction, la conversation elle-même est devenue bon marché. Savoir si l'élément qui réfléchit l'est aussi, c'est une facture à part.

Rien de tout cela n'est hypothétique : les défaillances documentées de l'IA et les incidents d'agents qui sous-tendent des versions comme celle-ci sont recueillis dans l'OrcaRouter AI Incident Archive, où chaque entrée est accompagnée de ses propres sources, de son niveau de gravité, de son degré de confiance et de son indicateur de contestation.