AssemblyAI-TTS-1 לעומת Qwen-Audio-3.0-TTS: המודל שבכותרת הוא לא זה שכדאי לקנות

ההשוואה הזו מזכירה את Qwen-Audio-3.0-TTS, וזו בעיה שכדאי לתקן לפני שמצוטטים מספרים כלשהם. Alibaba הוציאה משירות את 3.0 כדגם הדיבור הדגל שלה ב-23 בספטמבר 2026, כאשר סדרת Qwen-Audio-3.1 הושקה בכנס Apsara Conference והציבה את Qwen-Audio-3.1-TTS-Plus בראש קו ה-TTS שלה עצמה. אם כך, הגרסה הכנה של ההשוואה הזו היא שלושה דגמים, לא שניים — AssemblyAI-TTS-1, נקודת הקצה הסגורה בתשלום של 15 דולר למיליון תווים, שהפכה לזמינה לכלל הציבור ב-27 באוקטובר 2026, מול שתי הדורות של מערך הדיבור של Qwen — והתשובה משתנה בהתאם ל-Qwen שאליו התכוונתם בפועל. אם בחוזה שלכם, באינטגרציה שלכם או בהערת הרכש שלכם כתוב 3.0, קראו את הקטע הבא. אם כתוב 3.1, דלגו עליו.

ראשית, התיקון: 3.0 אינו ה-Qwen הנוכחי

Qwen-Audio-3.0-TTS הושק ב-20 ביולי 2026 בשתי רמות. Flash נועד לשימוש בזמן אמת עם השהיית חבילה ראשונה של כ-300 אלפיות השנייה; Plus הייתה רמת האיכות במחיר של 27.59 דולר למיליון תווים דרך Alibaba Cloud Model Studio. המשפחה מכסה 16 שפות ועוד 20 אזורי ניבים סיניים, תומכת ב-86 תגיות בקרה מוטמעות כגון [angry] ו-[giggles] לצד הנחיות סגנון חופשיות בשפה טבעית, מבצעת שיבוט zero-shot עמיד לרעש, מפיקה פלט ב-48 קילו-הרץ ומסנתזת עד שלוש דקות במעבר אחד. היא סגורה ומוצעת רק כאירוח — ללא משקלים פתוחים, סטייה מכוונת מ-Qwen3-TTS הקודם של Alibaba עם משקלים פתוחים.

עשרה שבועות לאחר מכן, מחסנית 3.1 החליפה אותו בכל ASR, TTS, TTS-Next ו-realtime. שכבת ה-TTS של 3.1 כוללת את אותו מערך של 8 קולות, נקובה במחיר של $19.3 למיליון תווים בעמודת המחירים של Artificial Analysis, והיא הגרסה שרוב ההשוואות ל-Qwen מאז סוף ספטמבר התייחסו אליה למעשה. מבחינה מעשית: 3.0 עדיין זמינה אם כבר ביצעת אינטגרציה, 3.1 היא מה שקונים חדשים מקבלים בהצעת מחיר, וכל מאמר שמציב את הציון של 3.0 מיולי לצד השקה באוקטובר בלי לציין זאת מוכר לך השוואה מיושנת.

הלוח, בקריאה אחת, עבור שלושתם

ה-Provider Voice Arena של Artificial Analysis, כפי שנקרא ב-30 באוקטובר 2026, כך שמכשיר אחד לכל שורה שלהלן:

• Qwen-Audio-3.1-TTS-Plus — שלישי, 1,305 Elo, 2,281 דגימות, שוחרר בספטמבר 2026.

• Qwen-Audio-3.0-TTS-Plus — שביעי, 1,269 Elo, 2,794 דגימות, שוחרר ביוני–יולי 2026.

• AssemblyAI-TTS-1 — במקום ה-14, 1,227 Elo, 1,632 דגימות, שוחרר באוקטובר 2026.

• ElevenLabs Eleven v4 Turbo ו-Eleven v4 נמצאים במקום הראשון והשני עם 1,336 ו-1,334, לנקודת הייחוס שהמאמר הזה אינו עוסק בה.

הפער של 78 נקודות בין AssemblyAI-TTS-1 לרמת Qwen TTS הנוכחית הוא אמיתי, אך אינו הפער הגדול ביותר בהתמודדות הזו — ElevenLabs גבוה ב-31 נקודות מ-Qwen וב-109 מ-AssemblyAI באותה קריאה. מה שחשוב יותר הוא ששורה של 1,632 דגימות עבור מודל בן ארבעה ימים היא ראיה דלה, והמרווחים בלוח הזה רחבים מספיק כדי שריצה חוזרת תזיז את AssemblyAI-TTS-1 בכמה מקומות בדירוג בלי שדבר מה במודל עצמו ישתנה.

שישה־עשר תווים לשנייה הוא המספר שמכריע בזה

הנה המדד שכמעט אף אחד לא מכניס להשוואה עם Qwen, והוא זה שחשוב למשימה שלשמה נבנה AssemblyAI-TTS-1.

Artificial Analysis מודדת את AssemblyAI-TTS-1 בקצב של 162 תווים לשנייה של סינתזה. Qwen-Audio-3.0-TTS-Plus, באותו סגנון מדידה, מייצר כ-16 תווים לשנייה — המודל האיטי ביותר מכל מי שנמצא סמוך לראש הארנה. רמת 3.1 שיפרה זאת, אך מהירות הייצור עדיין מהווה את הציר החלש של המשפחה ולא את חוזקה.

עכשיו המר ליחידה היחידה שאכפת ממנה לסוכן חי. דיבור רגיל נע בקצב של בערך 900 תווים בדקה, שהם 15 תווים בשנייה. מודל שמייצר 16 תווים בשנייה הוא, בסטייה של עיגול, מקדם זמן אמת 1.0 — הוא בקושי מצליח להישאר לפני זרם השמעה אחד, והוא אינו יכול לשרת שתי שיחות במקביל בלי חומרה נוספת מאחוריו. מודל בקצב 162 תווים בשנייה מספק בערך מרווח של עשרה זרמים לכל יחידת מחשוב זהה.

זה ממסגר מחדש את פער ה-Elo. פער של 78 נקודות בהעדפה עיוורת הוא שאלת איכות שאפשר לענות עליה באמצעות הקורפוס שלך. פער תפוקה גדול פי עשרה הוא שאלת קיבולת שמגיעה כחשבון, כי התיקון הוא יותר שניות GPU לכל מתקשר בו-זמני, ובתמחור האירוח של Alibaba זה אינו מנוף שנמצא בשליטתך.

שתי ההסתייגויות, בניסוח גלוי. מדובר בשני ספקים שנמדדו במכשיר אחד, ולא בהשוואה ראש-בראש מבוקרת; תפוקת הייצור תלויה בחומרה, בגיבוב ובאורך הרצף. והטוקנייזר הדיבור של Qwen בקצב 12.5Hz — שנמוך במכוון לעומת 50–75Hz המקובלים — הוא מה ששומר על השהיית החבילה הראשונה שלו סמוך ל-300 מ"ש בשכבת Flash. Qwen מיטבה עבור השהיה עד לצליל הראשון. AssemblyAI מיטבה עבור תווים-לשנייה מרגע שהתור מתחיל. אלו הימורים שונים, וסוכן טלפוני חש את שניהם.

שפות ותגי בקרה הם התחום שבו Qwen לא קרוב להיות מובס

אם טיעון התפוקה מכריע במקרה של מוקד השירות, טיעון השפה מכריע את כל השאר, והוא אינו עדין:

• כיסוי — Qwen-Audio-3.0-TTS כולל 16 שפות ו-20 אזורי ניבים סיניים; AssemblyAI-TTS-1 הושק עם שש (אנגלית, ספרדית, צרפתית, גרמנית, איטלקית, פורטוגזית) ומספר מבטאים בתוכן.

• כיוון — Qwen חושפת 86 תגי שליטה מוטבעים בתוספת הנחיות סגנון חופשיות; ל-AssemblyAI-TTS-1 אין תגי רגש, אין SSML, אין פרמטר מהירות ואין מילון הגייה בעת ההשקה, והפוסט שלה עצמה מציין שאי-רציפויות כתובות נקראות כפי שנכתבו, ולא משמשות כהוראות ביצוע.

• שיבוט — Qwen מבצעת שיבוט zero-shot עמיד לרעש; AssemblyAI מבצעת שיבוט מיידי מדגימה בת 24 שניות, עם שלב אישור הרשאת דובר. אף אחת מהן אינה מציעה רמת שיבוט מקצועית מאומנת — זהו מוצר של ElevenLabs, ולא של Qwen או AssemblyAI.

• פלט — Qwen מסנתז ב-48 kHz עם תקרה של שלוש דקות במעבר יחיד; AssemblyAI מזרים PCM ב-8–48 kHz, µ-law או A-law עם חותמות זמן של מילים והודעת ביטול להתפרצות דיבור (barge-in), וזו בדיוק התשתית שסטאק טלפוניה באמת צריך.

• פתיחות — אף אחד מהם אינו מפרסם משקלים. שניהם מוצעים רק כשירות מתארח, באזור, בתמחור ספק.

לטבלה הזו יש קריאה ברורה: AssemblyAI-TTS-1 אינו מוצר רב-לשוני ואינו מעמיד פנים שהוא כזה. אם הסוכן שלך צריך לדבר יפנית, קוריאנית או מנדרינית, משפחת Qwen היא התשובה והמאמר הזה נגמר שם. אם הסוכן שלך מדבר אנגלית עם פונים דוברי אנגלית ולפעמים ספרדית, שש שפות מספיקות ורשימת היכולות של Qwen משלמת על תכונות שהפרומפטים שלך לעולם לא ישתמשו בהן.

מחיר לשעה, בשלוש דרכים

באמצעות אותה הערכה כמו בכל מקום אחר בסדרה הזו — כ־900 תווים של דיבור בדקה, כלומר בערך 54,000 בשעה — העלות השעתית של הסינתזה היא:

• AssemblyAI-TTS-1 — $15 למיליון תווים, כולל כל הקולות והשפות והשיבוט, במקביליות ללא הגבלה וללא עלות: כ-$0.81 לשעת אודיו.

• Qwen-Audio-3.0-TTS-Plus — 27.59 דולר למיליון תווים ב-Alibaba Cloud Model Studio: כ-1.49 דולר לשעה.

• Qwen-Audio-3.1-TTS-Plus — 19.3 דולר למיליון תווים, כפי שמתועד ב-Artificial Analysis: כ-1.04 דולר לשעה.

שימו לב לפער שאתם יכולים לראות בעצמכם בלוח: ‏Artificial Analysis מציגה את שתי הגרסאות של Qwen במחיר של 19.3 דולר למיליון תווים, בעוד שבכרטיס ה-Model Studio של Alibaba עבור 3.0-Plus כתוב 27.59 דולר. אלו שני כלים שונים — מחיר המחירון של הספק והנרמול של הלוח — ואף אחד מהם אינו החשבונית שתקבלו לכשתמחור לפי נפח מחויב ייכנס לתמונה. הנתונים השעתיים שלעיל משתמשים בכל מספר כפי שהוא מסומן, אז התייחסו לשיעור 3.1 כיחידת השוואה ולשיעור 3.0 כדבר הקרוב ביותר למחיר מחירון.

AssemblyAI היא הזולה מבין השלוש, ב־22% לעומת שכבת Qwen הנוכחית וב־45% לעומת זו שבכותרת המאמר הזה. אבל עמודת המחיר היא לא המקום שבו נמצא הכסף. הכסף נמצא בעמודת התפוקה, מפני שמודל שפועל במקדם זמן אמת של 1.0 זקוק לבערך פי עשרה יותר חומרה לכל מתקשר בו־זמני לעומת מודל שפועל ב־162 תווים לשנייה — ותמחור לפי תו אצל ספק מתארח מסתיר את המכפיל הזה בתוך תכנון הקיבולת של הספק, עד שהוא מגיח החוצה כהגבלת קצב או כהשהיה בשיא העומס.

מה נתב בעצם מוסיף כאן

הפריסה הריאלית עבור צוות העומד בפני החלטה זו אינה אף אחד מהמודלים לבדו. היא תורות שיחה באנגלית בנקודת הקצה הזולה והמהירה, ותורות שיחה בשפות שאינן אנגלית בשכבת Qwen, כאשר המעבר ביניהן נקבע לפי שפת הפונה — שזו בעיית ניתוב, לא בעיית מודל. זו השכבה ש-OrcaRouter מכסה עבור שאר הסטאק: API אחד ליותר מ-200 מודלים במחיר המחירון של הספק עם תוספת מחיר של 0%, מעבר אוטומטי לגיבוי כאשר ספק מתדרדר, וכן DSL לניתוב שמרכיב כמה מודלים מאחורי נקודת קצה אחת במקום כמה חוזים וכמה SDK-ים.

ליתר דיוק לגבי מה זה כן ולא אומר: לא {{1}}AssemblyAI-TTS-1{{/1}} ולא אף שכבה של {{2}}Qwen-Audio TTS{{/2}} נמצאת כיום בקטלוג של {{3}}OrcaRouter{{/3}}. מודלי הדיבור שאנחנו מנתבים הם {{4}}tts-1{{/4}}, {{5}}tts-1-hd{{/5}} ו-{{6}}gpt-4o-mini-tts{{/6}} של {{7}}OpenAI{{/7}} ותצוגות ה־{{8}}Gemini TTS{{/8}} של {{9}}Google{{/9}}. לכן טיעון הניתוב חל על מודל השפה שכותב את המשפט שה־TTS שלך קורא, ועל כל מודל דיבור שתוסיף מאוחר יותר ושאותו אנחנו כן מספקים — לא על שני אלה.

למי ההשוואה הזו מיועדת בפועל

רכוש את Qwen-Audio-3.1-TTS-Plus — ולא 3.0 — אם הסוכן שלך צריך לדבר יותר משש שפות, אם אתה צריך ביצועים מוכוונים ולא קריאה פשוטה, או אם אתה כבר בתוך Alibaba Cloud והחוזה הוא המגבלה. הוא במקום השלישי בלוח העיוור, הוא עולה 1.04 דולר לשעה, ומהירות היצירה שלו היא הדבר שצריך לבדוק מול יעד הקונקונסיה שלך לפני שאתה מתחייב.

קנה את AssemblyAI-TTS-1 אם עומס העבודה הוא שיחת טלפון באנגלית בראש ובראשונה, בהיקף גבוה: תעריף אחיד של 15 דולר, מקביליות בלתי מוגבלת ללא תשלום, מרווח של 162 תווים בשנייה, חותמות זמן למילים וביטול חסימה (barge-in) מובנה, ומדידת השהיה עצמאית של 159 מ״ש שיש לשקול מול הצהרת ספק בדבר 90 מ״ש. קבל את העובדה שאתה מוותר על עשרה שפות, 86 תגי בקרה, ועל כל יכולת לתקן קיצור שמבוטא שגוי באמצעות מילון — ושהישג המשנה העצמאי החלש ביותר שלו, 73.8% בהרחבת קיצורים, הוא בדיוק הכשל ששיחה מזהה.

הטעות שיש להימנע ממנה היא זו שכותרת הקטע הזה הזמינה: לצטט ציון של מודל מיולי בהחלטה מאוקטובר, ואז לגלות באינטגרציה שהדרגה שנצטטה לך היא זו שהחליפה אותו. בדוק איזה Qwen נמכר לך בפועל לפני שאתה משווה אותו למשהו.