Voxtral 3 TTS לעומת Qwen-Audio-3.0-TTS-Plus: שני קולות זולים, שתי מפות שונות

שני המודלים האלה זולים יותר מהחזית ושניהם מחוצה לה, מה שהופך את הבחירה בין Voxtral 3 T​TS לQ​wen-Audio-3.0-T​TS-Plus היא שאלה של כיסוי ולא של איכות. בלוח Provider Voice של Artificial Analysis יש ביניהם פער של 47 Elo — Q​wen במקום 1,264 (#7), והמודל החדש של Mistral במקום 1,217 (#13) — ומחיריהם $19.31 ו-$13.00 למיליון תווים. אף אחד מהפערים אינו מכריע. הדבר המכריע הוא שהמודל של A​libaba נבנה סביב סינית, כולל עשרים אזורי ניב ושמונים ושש תגיות מסירה מוטמעות, ואילו זה של Mistral נבנה סביב עשרים וארבע השפות הרשמיות של האיחוד האירופי. אם המוצר שלכם מדבר מנדרינית, קנטונזית או הוקיאן, הוויכוח נגמר ברשימת השפות. אם הוא מדבר פורטוגזית, פולנית או הולנדית, גם שם הוא נגמר, בכיוון ההפוך. כשלי הבינה המלאכותית והתקריות עם סוכנים המתועדים מאחורי שחרורים כמו זה נאספים בOrcaRouter AI Incident Archive שבו כל ערך כולל מקורות משלו, חומרה, דרגת ודאות וסימון מחלוקת.

המספרים, וכמה משקל יש להם

Voice Elo של הספק — Q​wen-Audio-3.0-T​TS-Plus: 1,264. Voxtral 3 T​TS: 1,217. שניהם לפי Artificial Analysis, 21 באוקטובר 2026.

• Elo קולי מבוקר — Q​wen-Audio-3.0-T​TS-Plus: 1,125 (#7). Voxtral 3 T​TS: 1,066 (#14). הפער מתרחב מ-47 ל-59 נקודות לאחר ששניהם משובטים לאותם שמונה קולות ייחוס, מה שאומר שהיתרון של אליבאבא נמצא במנוע הסינתזה, ולא בספריית הקולות שלה.

• מחיר ל-1 מיליון תווים — 19.31 $ עבור Qwen-Audio-3.0-TTS-Plus, 13.00 $ עבור Voxtral 3 TTS. בקצב של כ-900 תווים לדקת דיבור, זה 1.04 $ לעומת 0.70 $ לשעה.

• שפות — Alibaba: 16 שפות ועוד 20 אזורי ניבים סיניים. Mistral: יותר מ-35 שפות ויותר מ-50 ניבים, עם פריסטים ב-18 שפות.

• שיבוט קול — Alibaba: שיבוט לפי אודיו ייחוס, כולל העברת גוון בין־לשונית. Mistral: התאמת "Pro Voice" מ־30 דקות אודיו. אף אחד מהם אינו מציע את השיבוט המיידי בן עשר השניות ש־Cartesia מוכרת.

• משקלים — סגורים משני הצדדים. שניהם מוצרים מבוססי API בלבד.

• השהיה — Alibaba מפרסמת נתון סטרימינג של תו ראשון עבור מודלי הזיהוי שלה ומודל קולי בזמן אמת בנפרד; Mistral אינה מפרסמת זמן עד לאודיו ראשון עבור Voxtral 3 TTS. אף אחד מהנתונים אינו ניתן להשוואה בין ספקים, ולגבי סינתזה אף אחד מהם אינו מדידה עצמאית.

הסתייגות אחת לגבי נתוני ה-Elo: Voxtral 3 T​TS היה על הלוח יום אחד כשקראו את הנתונים האלה, עם 1,619 השוואות לעומת 2,399 של Q​wen. פער של 47 נקודות בתוך רווחי סמך חופפים בגודל מדגם כזה הוא כיוון, לא פסק דין. יש לקרוא אותו כ"Q​wen כנראה מקדים במקצת" ולא כפער מדוד של 47.

היכן שהמודל של A​libaba מנצח, וזה לא ניצחון שולי

הכיסוי הסיני הוא ההבדל הראשון והגדול ביותר, וכדאי להיות מדויקים לגבי מה פירושו של „20 אזורי ניבים”. קו מוצרי הדיבור של A​libaba נבנה עבור שוק מקומי שבו שפה כתובה אחת ממופה לדיבור שמודל שמכיר רק מנדרינית משבש: קנטונזית, סצ'ואנית, וו, מיננאן ועוד. Q​wen-Audio-3.0-T​TS-Plus תומך באזורים האלה באופן ילידי, והדור 3.1 של A​libaba הוסיף העברת גוון חוצת-שפות — קול אחד שנישא על פני מנדרינית, קנטונזית, אנגלית ויפנית — וזו התכונה שחשובה אם אתה מבצע לוקליזציה של מגיש אחד ולא מלהק לפי שוק.

השני הוא שליטה בהגשה ברמת הטוקן. Q​wen-Audio-3.0-T​TS-Plus ירש סט מתועד של 86 תגי הגשה מוטמעים מהדור שלו, ומאפשר לתסריט לשאת סמני רגש, קצב והדגשה ישירות בתמלול. Voxtral 3 T​TS של Mistral חושף שליטה ברמת הפרומפט ברגש, בקצב ובהדגשה, וכן הגייה ברמת הפונמה וספריית אוצר מילים — דומה במטרה, אך אוצר התגים של A​libaba הוא המפורט יותר מבין השניים על הנייר.

הדבר השלישי הוא ש-Alibaba השיקה אחות זולה יותר. רענון 3.1 הפך את TTS ל-SKU ברמת Flash, כך שלצוות שמוצא את רמת 3.0-Plus יקרה מדי יש מסלול מעבר מתועד לרמה נמוכה יותר אצל אותו ספק, בערך באותה נקודת מחיר כמו Voxtral 3 TTS. התשובה של Mistral ל"זול יותר בבקשה" היא אותו מודל או ספק אחר.

הנקודה שבה המודל של A​libaba חלש יותר ברורה באותה מידה: 16 שפות הן מפה קטנה. אם הקטלוג שלך פועל בפולנית, טורקית, וייטנאמית או פורטוגזית, Q​wen-Audio-3.0-T​TS-Plus לא מכסה אותך, וכל כמות של Elo לא תסגור את זה.

איפה Voxtral 3 T​TS מנצח

רוחב שפות מחוץ לאסיה, בפשטות. יותר מ-35 שפות ולמעלה מ-50 ניבים כנטען, ומשפחה שמכוונת לרכש אירופי: Mistral מציינת תמיכה בכל 24 השפות הרשמיות של האיחוד האירופי במודלי התמלול ובנקודות הקצה של ה-API באיחוד האירופי, בארה״ב וברחבי העולם, עם פריסה עצמית על תשתית פרטית עבור קונים שצריכים לשלוט היכן מעובד האודיו והאם הוא נשמר. עבור קונה אירופי במגזר הציבורי או בתחום הבריאות, זה לא גורם מכריע — זו דרישה.

השני הוא הסטאק הסובב. Voxtral 3 TTS אינו נמכר כנקודת קצה בודדת: הוא מגיע עם SDK לסוכנים מבוסס LiveKit שתומך ב-SIP, ב-WebRTC וב-IVR, עם הצהרה על השהיית תור סוכן של פחות משנייה, ומחיר לדקה עבור הלולאה כולה — $0.04 עם חשיבה של Mistral Small 4, $0.08 עם מודל חשיבה אחר. גם ל-Alibaba יש מודל קולי בזמן אמת, אך זה של Mistral מתועד כהצעת חבילה עם מספר מפורסם לדקה, שקלה יותר לבנות עליו מקרה עסקי מאשר על מחירון לפי טוקן.

השלישי הוא מחיר, במובן הצר. 13 דולר לעומת 19.31 דולר הם הנחה של 33%, ובקנה מידה גדול זה סכום ממשי: עשרת אלפים שעות בחודש הן כ-7,000 דולר לעומת 10,400 דולר. זה לא אירוע של תמחור מחדש, אבל זה גם לא כלום.

מקרה הניתוב חזק יותר כאן מאשר ברוב ההתמודדויות.

רוב הכתבות שמשוות מודל למודל מסתיימות ב"בחרו אחד". הצמד הזה הוא בעיית פורטפוליו אמיתית, מפני ששתי מפות הכיסוי בקושי חופפות בקצוות ושתיהן זולות מספיק כדי להריץ אותן זו לצד זו. פלטפורמת מסחר אלקטרוני אירופית שמקריאה עמודי מוצר בשמונה שפות מהאיחוד האירופי וגם משרתת בסיס לקוחות דובר קנטונזית זקוקה לשתיהן. כך גם אולפן דיבוב שעובד על סדרה עם דיאלוג במנדרינית וכתוביות בצרפתית.

החלק המסורבל בהרצת שניהם אינו בחירת המודל, אלא התשתית: שני ספקים, שתי שיטות אימות, שני יחסי חיוב, שני מערכים של מצבי כשל. OrcaRouter קיים בדיוק בשביל הצורה הזו — מפתח אחד תואם OpenAI על פני יותר מ-200 מודלים, מחיר המחירון של הספק מועבר ללא תוספת רווח כך ששינוי מחיר של ספק נכנס לתוקף באותו יום, ו-DSL לניתוב שיכול לשלוח בקשה עם תגית שפה למודל שמכסה את השפה הזו. לא Voxtral 3 T​TS ולא Q​wen-Audio-3.0-T​TS-Plus נמצאים בקטלוג של OrcaRouter נכון לכתיבת שורות אלה, ו-API אחד ליותר מ-200 מודלים הוא טענה על הקטלוג שאנחנו כן מריצים, לא על שני אלה — כיום מגיעים לשניהם דרך ה-APIs של הספקים עצמם וכמה פלטפורמות צד שלישי. נקודת העיצוב עומדת בכל מקרה: אם מטריצת השפות שלכם דורשת שני ספקים, תרצו שהפיצול יחיה בכלל ניתוב ולא בשני נתיבי קוד.

מה שאף אחד משני הספקים לא פרסם

שלושה פערים, ואלה אותם שלושה בשני המקרים, מה שאומר משהו על כמה צעיר עדיין המדרג הזה של השוק.

אין ציונים לפי שפה. שני נתוני ה-Elo הם מצטברים. מודל יכול לעמוד על 1,264 בכללותו ולהיות מצוין במנדרינית ובינוני בצרפתית; הלוח לא יכול לומר לך זאת, ואף ספק לא מפרסם פילוח לפי שפה. לכל החלטה שתלויה באיכות בשפה מסוימת, המבחן האמין היחיד הוא קורפוס משלכם, שנקרא בידי דובר ילידי שלא אומרים לו איזה מודל הפיק איזו דגימה.

אין נתון סיבולת לטווח ארוך. קטעי Arena נמשכים שניות. אף אחד מהמודלים לא מתעד אורך יצירה מקסימלי לנקודת הקצה TTS שלו, ולאף אחד מהם אין בדיקת קוהרנטיות שפורסמה לאורך עשר דקות — האורך שבו ספר אודיו עובד או לא עובד. הדור 3.1 של Qwen העביר יצירת סצנות ארוכות לטווח למודל -Next נפרד במקום להאריך את נקודת הקצה TTS, וזו הודאה מרומזת שהמודל הבסיסי אינו הכלי לטווח ארוך.

אין מדידת השהיה עצמאית. Mistral לא מפרסמת דבר עבור סינתזת T​TS של Voxtral 3; A​libaba מפרסמת נתוני ספק. Artificial Analysis מדווחת על תפוקה חציונית של 112 תווים לשנייה עבור Voxtral 3 T​TS, אך לא עבור Q​wen-Audio-3.0-T​TS-Plus באותו עמוד. בסוכן קולי חי, הזמן עד לאודיו הראשון מכריע את חוויית המוצר יותר מאשר Elo, והוא הנתון הפחות מתועד בקטגוריה.

החלוקה הכנה

בחרו ב־Q​wen-Audio-3.0-T​TS-Plus אם המוצר מדבר סינית — מנדרינית עם מבטאים אזוריים, קנטונזית, או החלפת קוד בין סינית לאנגלית — או אם אתם זקוקים לתגי מסירה מפורטים בתוך התמלול ורוצים ספק עם שכבה זולה יותר ומתועדת מתחת למוצר הדגל. הוא עולה 48% יותר מ־Voxtral ומוביל באופן מדיד בשני לוחות הדירוג; לעבודה שסינית בעדיפות ראשונה, זה כסף שמנוצל היטב.

בחר Voxtral 3 TTSאם המוצר מדבר שפות אירופיות, אם אחסון נתונים באיחוד האירופי הוא דרישת רכש, או אם אתם בונים סוכן קולי ורוצים סינתזה המצורפת ל-SDK של סוכן ולמחיר מפורסם לדקה. אתם מוותרים על 47 Elo ומרוויחים מפת שפות שמכסה את השווקים שבהם אתם מוכרים.

בחרו בשניהם — ונתבו ביניהם — אם הקהל שלכם באמת משתרע על פני שתי המפות. בקריאה של Elo לדולר, השניים קרובים מספיק כדי שהשוויון יוכרע לפי כיסוי ולא לפי ניקוד, ולמוצר עם לקוחות בגואנגג'ואו ובגדנסק אין תשובה נכונה אחת.

הדבר ששווה לעקוב אחריו הוא האם מי מהספקים מפרסם פירוט לפי שפה. ברגע שאחד מהם יעשה זאת, ההשוואה הזו מפסיקה להיות ויכוח על מפות והופכת לוויכוח על מדידות, וזה ויכוח טוב יותר לנהל.