Grok Voice 3.0 vs Qwen-Audio-3.0-TTS : l’un des deux peut vous entendre, et ce n’est pas le moins cher

Mettez les deux grilles tarifaires côte à côte et le modèle d'Alibaba l'emporte d'un facteur trois. Qwen-Audio-3.0-TTS synthétise la parole à 27,6 $ par million de caractères, soit environ 1,66 $ d'audio par heure, et il est disponible dès aujourd'hui en tant qu'API hébergée via Alibaba Cloud Model Studio. Grok Voice 3.0, annoncé par SpaceXAI le 14 octobre 2026, facture 0,08 $ par minute d'audio — 4,80 $ l'heure — plus 0,004 $ par entrée texte. Le narrateur est le produit le moins cher, et le narrateur ne peut rien entendre de ce que vous dites. Qwen-Audio-3.0-TTS est un modèle de synthèse vocale. Grok Voice 3.0 est un modèle parole-à-parole full-duplex qui doit décider, plusieurs fois par seconde, si vous avez fini de parler. Le prix par heure d'audio est la bonne mesure pour exactement l'un des deux.

Toute la comparaison tient en un paragraphe, et tout ce qui suit est la partie qui décide des déploiements : combien coûte l’exploitation de chacun une fois qu’on compte les segments du pipeline qui l’entourent.

L'un produit un script. L'autre prend un appel.

La synthèse vocale prend du texte et renvoie de l’audio. Il n’y a pas d’audio d’entrée, pas de tour de parole à prendre, aucune notion d’interruption et aucune transcription en retour, car le modèle n’a jamais rien entendu. Son modèle de coût est une presse d’imprimerie — des pages en entrée, de l’audio en sortie — et les deux seuls chiffres qui comptent sont la qualité et le débit, que vous pouvez mesurer tous les deux avant de livrer.

Un modèle full-duplex traite l'audio entrant pendant qu'il produit de l'audio sortant. Son rôle inclut les aspects d'une conversation qui n'ont rien à voir avec les mots : faire une pause quand l'appelant s'arrête, poursuivre malgré un backchannel au lieu de le traiter comme une interruption, céder la parole en pleine phrase et déclencher un appel d'outil sans perdre le fil. Grok Voice 3.0 fait tout cela et renvoie des transcriptions en parallèle de la session, ce qu'il ne peut faire que parce qu'il écoutait tout le temps.

Si votre produit lit des articles à voix haute, convertit de la documentation en audio ou narre des vidéos, Grok Voice 3.0 est le mauvais outil, à un prix horaire trois fois plus élevé, et ne peut pas du tout faire le travail, car il n'accepte pas de script et ne produit pas de fichier. Si votre produit reçoit un appel téléphonique, Qwen-Audio-3.0-TTS n'est qu'un tiers d'un pipeline qui a encore besoin de reconnaissance vocale et d'un modèle de langage pour devenir une conversation — et chacune de ces étapes ajoute du coût, de la latence et une frontière où la prosodie meurt.

Là où Qwen-Audio-3.0-TTS est vraiment performant

L'argument en faveur du modèle d'Alibaba n'est pas du marketing. Publié le 20 juillet 2026 par Tongyi Lab d'Alibaba et proposé sous la forme d'une API hébergée et fermée, le niveau Plus a pris la première place de l'arène de synthèse vocale d'Artificial Analysis à son arrivée. Les classements évoluent, et celui-ci a évolué : en septembre 2026, Qwen-Audio-3.0-TTS-Plus se classe quatrième sur Provider Voice Arena avec un Elo de 1 232 sur 2 306 échantillons, derrière Cartesia Sonic 3.6 à 1 275, Inworld Realtime TTS-2 à 1 244 et Simba 3.2 de Speechify à 1 233 — trois modèles de juillet et août sortis après lui. Quatrième sur plus de vingt, avec la première place perdue et l'avantage tarifaire intact, cela reste une position solide. Ce n'est simplement pas la position que décrivait la couverture du lancement.

• Couverture linguistique — 16 langues avec des postes de responsable dans 10 d'entre elles, plus 20 régions dialectales chinoises.

• Clonage vocal — à partir de courts échantillons de référence, y compris le clonage interlingue.

• Contrôle expressif — 86 balises intégrées d'émotion et d'interprétation.

• Débit — Plus génère environ 16 caractères par seconde. Pour le rendu par lots, c'est invisible ; pour un produit en direct, c'est le nombre qui détermine votre buffer.

• Niveaux — Flash vise environ 300 ms de latence au premier paquet pour la lecture en temps réel ; Plus est le niveau axé sur la qualité. Ce sont des produits différents qui partagent un nom, et choisir le mauvais est une erreur initiale courante.

• Lacune documentaire — le montant de 27,6 $ par million de caractères, largement cité, ne correspond pas à la propre page de tarification d’Alibaba dans chaque instantané, laquelle a parfois indiqué des chiffres inférieurs pour les deux niveaux. Vérifiez le nombre au niveau du compte avant d’établir vos prévisions, plutôt que celui du classement.

Deux réserves à prendre en compte lors de la planification. Malgré seize langues prises en charge, les voix prédéfinies publiques sont presque exclusivement en chinois et en anglais, et les quatorze autres n’existent que via le flux de clonage, et non sous forme de voix prêtes à l’emploi. Et les 86 balises d’émotion intégrées ne fonctionnent qu’en mode de streaming unidirectionnel, de sorte que le contrôle expressif ne survit pas à tous les chemins d’intégration.

Il existe aussi une version dont il faut se méfier. Alibaba répertorie désormais une génération Qwen-Audio-3.1-TTS et une famille distincte Qwen Audio 3.0 Realtime, et ces modèles ne sont pas les mêmes que Qwen-Audio-3.0-TTS — la gamme Realtime est un produit de parole à parole qui figure sur un classement entièrement différent. Quiconque compare « Qwen Audio 3.0 » à un modèle conversationnel devrait vérifier à quelle ligne de la propre grille tarifaire d'Alibaba il se réfère réellement.

Ce que coûte Grok Voice 3.0, et ce qu'il ne résout pas

Grok Voice 3.0 est arrivé le 14 octobre 2026 à 0,08 $ par minute d’audio plus 0,004 $ par entrée de texte, sans changement par rapport au modèle qu’il remplace, grok-voice-latest pointant désormais vers lui et grok-voice-2.0 étant signalé comme obsolète. Dans le Speech to Speech Index d’Artificial Analysis, il occupe la première place avec 86,9, sa composante la plus élevée étant la performance agentique à 71,6 % sur τ-Voice, contre 56,5 % pour son prédécesseur — la plus forte progression individuelle de cette version.

La question de la latence est le point où les deux modèles partagent enfin une unité de mesure. Grok Voice 3.0 annonce 0,81 seconde jusqu'au premier son, le chiffre le plus rapide parmi les modèles conversationnels de pointe. L'offre Flash de Qwen Audio vise environ 300 ms pour le premier paquet. Ce ne sont pas les mêmes mesures : 300 ms correspond au délai jusqu'au premier paquet d'une tâche de rendu dont vous disposez déjà du texte, tandis que 0,81 seconde est le temps nécessaire pour commencer à parler après qu'un humain a cessé de parler, ce qui inclut la décision que c'était à votre tour. Environ deux fois et demie plus de latence achète la capacité d'être interrompu. Savoir si cela en vaut la peine dépend entièrement de la présence d'une personne à l'autre bout.

Grok Voice 3.0 apporte aussi les éléments d’un produit vocal qu’un modèle TTS laisse à votre charge : la session duplex, la détection de tour côté serveur, des outils limités à la session pour que l’agent puisse appeler un backend en pleine conversation, et la transcription qui en découle. Il n’apporte pas de mode de lecture de script, de clonage documenté comme translinguistique, ni seize langues présentées comme une fonctionnalité. Son cas d’usage adressable est plus étroit que celui du modèle TTS, et son coût horaire est plus élevé.

La version honnête du projet de loi sur la cascade

Un produit conversationnel bâti sur un modèle de synthèse vocale est une cascade : un modèle de reconnaissance vocale convertit la parole de l’appelant en texte, un modèle de langage décide quoi dire, et le modèle TTS l’énonce. Trois fournisseurs, trois factures, trois budgets de latence qui s’additionnent, et un passage de relais à chaque frontière. Le volet TTS peut coûter 1,66 $ l’heure d’audio. Les deux autres volets sont là où se trouvent réellement l’argent et les erreurs, et la cascade ne peut pas entendre une pause au milieu d’une phrase qu’elle est déjà en train de prononcer.

Grok Voice 3.0 regroupe les trois volets en une seule session et un seul compteur — avec deux détails qui gardent la facture honnête. Ses appels d'outils et tout raisonnement délégué s'exécutent sur le backend qui y répond, aux tarifs propres à ce modèle, donc diriger l'agent vers un raisonneur de pointe qui effectue une recherche à chaque tour produit un appel coûteux derrière une couche vocale bon marché. Et à 300 000 minutes par mois, la grille tarifaire s'élève à 24 000 $ pour la seule moitié vocale.

Ce deuxième critère est le point où cette comparaison cesse d'être un choix de modèle pour devenir un choix d'architecture, et c'est là qu'une couche de routage justifie sa place. OrcaRouter ne propose ni Grok Voice 3.0 ni Qwen-Audio-3.0-TTS ; les couches vocales, dans les deux cas, sont hors de notre portée, et nous n'en acheminons aucune. Le volet raisonnement, lui, ne l'est pas. Deux cent sept modèles issus de plus d'une douzaine de fournisseurs amont se trouvent derrière une seule clé au prix catalogue du fournisseur, sans marge, et une baisse de prix d'un fournisseur s'applique le jour même plutôt qu'à votre prochain renouvellement de contrat. Pour une cascade qui couvre d'emblée le segment intermédiaire : placez deux options de reconnaissance vocale et trois raisonneurs derrière un seul point de terminaison, comparez-les en A/B sur du trafic réel, et laissez le basculement automatique absorber une panne en amont sans interrompre un appel. Un DSL de routage compose plusieurs modèles en un seul appel pour les cas où un seul raisonneur ne suffit pas.

Choisir, en une question

Achetez Qwen-Audio-3.0-TTS si le résultat est du contenu : narration, localisation, audio d’accessibilité, doublage, ou tout flux de travail où le texte existe avant l’audio et où la qualité par heure rendue est la métrique. Commencez avec Flash si vous avez besoin de lecture en direct et passez à Plus lorsque la voix elle-même est le livrable, facturez le flux de clonage séparément des voix prédéfinies, et confirmez le tarif par million de caractères au niveau du compte avant de bâtir une prévision dessus.

Achetez Grok Voice 3.0 si l'entrée est une personne. Lignes d'assistance, parcours de réservation, entretiens d'accueil, tout cas où la première syllabe de l'appelant arrive alors que le modèle est au milieu d'une phrase et où le système doit se comporter comme un auditeur plutôt que comme un lecteur. Il coûte plus cher par heure d'audio, il ne peut pas lire votre document, et c'est le seul des deux qui peut être interrompu.

Beaucoup de produits réels veulent les deux — un modèle de rendu qui produit les ressources audio et un modèle duplex qui gère l’appel auquel ces ressources appartiennent. Ce qu’ils ne doivent pas partager, c’est un modèle de coûts. L’heure d’audio est la bonne unité pour l’un de ces deux, et le coût réel de l’autre est le pipeline que vous avez évité en ne construisant pas de cascade.