AssemblyAI-TTS-1 vs Qwen-Audio-3.0-TTS: Model dalam Judul Bukanlah yang Harus Dibeli

Perbandingan ini menyebut Qwen-Audio-3.0-TTS, dan itu adalah masalah yang layak diperbaiki sebelum angka apa pun dikutip. Alibaba menghentikan 3.0 sebagai model ucapan unggulannya pada 23 September 2026, ketika seri Qwen-Audio-3.1 diluncurkan di Apsara Conference dan menempatkan Qwen-Audio-3.1-TTS-Plus di puncak lini TTS-nya sendiri. Jadi versi jujur dari pertarungan ini adalah tiga model, bukan dua — AssemblyAI-TTS-1, endpoint tertutup seharga $15 per juta karakter yang tersedia secara umum pada 27 Oktober 2026, melawan kedua generasi tumpukan ucapan Qwen — dan jawabannya berubah tergantung pada Qwen mana yang sebenarnya Anda maksud. Jika kontrak, integrasi, atau catatan pengadaan Anda menyebut 3.0, baca bagian berikutnya. Jika menyebut 3.1, lewati bagian itu.

Pertama, koreksinya: 3.0 bukan Qwen versi terkini.

Qwen-Audio-3.0-TTS dirilis pada 20 Juli 2026 dalam dua tingkatan. Flash dirancang untuk penggunaan real-time dengan latensi paket pertama sekitar 300 ms; Plus adalah tingkatan kualitas dengan harga $27,59 per juta karakter melalui Alibaba Cloud Model Studio. Keluarga ini mencakup 16 bahasa plus 20 wilayah dialek Tionghoa, mendukung 86 tag kontrol inline seperti [angry] dan [giggles] beserta arahan gaya bahasa alami bebas, melakukan kloning zero-shot yang tahan bising, menghasilkan keluaran pada 48 kHz, dan menyintesis hingga tiga menit dalam sekali proses. Produk ini tertutup dan hanya di-host — tanpa bobot terbuka, yang merupakan penyimpangan yang disengaja dari Qwen3-TTS berbobot terbuka milik Alibaba sebelumnya.

Sepuluh minggu kemudian, stack 3.1 menggantikannya di seluruh ASR, TTS, TTS-Next, dan realtime. Tier TTS 3.1 membawa susunan 8 suara yang sama, tercantum seharga $19.3 per juta karakter pada kolom harga Artificial Analysis, dan itulah yang sebenarnya dimaksud oleh sebagian besar perbandingan Qwen sejak akhir September. Secara praktis: 3.0 masih dapat dipanggil jika Anda sudah terintegrasi, 3.1 adalah yang ditawarkan kepada pembeli baru, dan artikel apa pun yang menempatkan skor 3.0 dari Juli di samping peluncuran Oktober tanpa menyebutkannya sedang menjual perbandingan yang sudah basi kepada Anda.

Papan, dibaca sekali, untuk ketiganya.

Artificial Analysis's Provider Voice Arena, dibaca pada 30 Oktober 2026, jadi satu instrumen untuk setiap baris di bawah:

• Qwen-Audio-3.1-TTS-Plus — peringkat ketiga, 1.305 Elo, 2.281 sampel, dirilis September 2026.

• Qwen-Audio-3.0-TTS-Plus — peringkat ketujuh, 1.269 Elo, 2.794 sampel, dirilis Juni–Juli 2026.

• AssemblyAI-TTS-1 — keempat belas, 1.227 Elo, 1.632 sampel, dirilis Oktober 2026.

• ElevenLabs Eleven v4 Turbo dan Eleven v4 berada di urutan pertama dan kedua dengan skor 1.336 dan 1.334, sebagai titik acuan yang tidak menjadi fokus artikel ini.

Selisih 78 poin antara AssemblyAI-TTS-1 dan tier Qwen TTS saat ini memang nyata, tetapi bukan selisih terlebar dalam perbandingan ini — ElevenLabs berada 31 poin di atas Qwen dan 109 poin di atas AssemblyAI pada pembacaan yang sama. Yang lebih penting adalah bahwa baris 1.632 sampel untuk model yang baru berusia empat hari merupakan bukti yang tipis, dan interval pada papan itu cukup lebar sehingga pengujian ulang dapat menggeser AssemblyAI-TTS-1 beberapa peringkat tanpa ada yang berubah pada model tersebut.

Enam belas karakter per detik adalah angka yang menentukan ini

Inilah pengukuran yang hampir tidak pernah disertakan siapa pun dalam perbandingan Qwen, dan justru itulah yang penting untuk pekerjaan yang menjadi alasan AssemblyAI-TTS-1 dibuat.

Artificial Analysis mengukur AssemblyAI-TTS-1 pada 162 karakter per detik sintesis. Qwen-Audio-3.0-TTS-Plus, dengan gaya pengukuran yang sama, menghasilkan sekitar 16 karakter per detik — model paling lambat di antara model mana pun yang mendekati puncak arena. Varian 3.1 memperbaikinya, tetapi kecepatan generasi masih menjadi sumbu lemah keluarga ini, bukan kekuatannya.

Sekarang ubah ke satu-satunya satuan yang menjadi perhatian agen langsung. Ucapan biasa berjalan sekitar 900 karakter per menit, yaitu 15 karakter per detik. Model yang menghasilkan 16 karakter per detik, dalam batas kesalahan pembulatan, berada pada faktor waktu-nyata 1,0 — model itu hampir dapat tetap mendahului satu aliran pemutaran, dan tidak dapat melayani dua percakapan bersamaan tanpa perangkat keras tambahan di belakangnya. Model pada 162 karakter per detik memiliki ruang cadangan sekitar sepuluh aliran per unit komputasi yang sama.

Itu membingkai ulang kesenjangan Elo. Defisit preferensi buta sebesar 78 poin adalah pertanyaan kualitas yang dapat Anda jawab dengan korpus Anda sendiri. Defisit throughput sepuluh kali lipat adalah pertanyaan kapasitas yang datang sebagai tagihan, karena solusinya adalah lebih banyak GPU-detik per pemanggil bersamaan, dan pada harga hosting Alibaba itu bukan tuas yang Anda kendalikan.

Kedua peringatan itu, disampaikan secara terus terang. Ini adalah dua vendor yang diukur dengan satu instrumen, bukan perbandingan langsung yang terkendali; throughput generasi bergantung pada perangkat keras, batching, dan panjang urutan. Dan tokenizer ucapan Qwen 12,5 Hz — sengaja rendah dibandingkan dengan 50–75 Hz yang biasa — itulah yang menjaga latensi paket pertamanya mendekati 300 ms pada tier Flash. Qwen mengoptimalkan latensi hingga suara pertama. AssemblyAI mengoptimalkan karakter per detik begitu giliran dimulai. Itu adalah taruhan yang berbeda dan agen telepon merasakan keduanya.

Bahasa dan tag kontrol adalah area di mana belum ada yang mendekati untuk mengalahkan Qwen.

Jika argumen throughput menentukan kasus pusat panggilan, argumen bahasa menentukan semua hal lainnya, dan ini bukan perkara samar:

• Cakupan — Qwen-Audio-3.0-TTS hadir dengan 16 bahasa dan 20 wilayah dialek Tionghoa; AssemblyAI-TTS-1 diluncurkan dengan enam bahasa (Inggris, Spanyol, Prancis, Jerman, Italia, Portugis) serta beragam aksen di dalamnya.

• Arah — Qwen menyediakan 86 tag kontrol inline serta prompt gaya bentuk bebas; AssemblyAI-TTS-1 tidak memiliki tag emosi, tidak memiliki SSML, tidak memiliki parameter kecepatan, dan tidak memiliki kamus pelafalan saat peluncuran, dan postingannya sendiri menyatakan bahwa disfluensi tertulis dibaca sebagaimana tertulis, bukan diperankan.

• Kloning — Qwen melakukan kloning zero-shot yang tahan terhadap derau; AssemblyAI melakukan kloning instan dari sampel 24 detik dengan langkah konfirmasi izin penutur. Keduanya tidak menawarkan tier kloning profesional terlatih, yang merupakan produk ElevenLabs, bukan produk Qwen atau AssemblyAI.

• Keluaran — Qwen menyintesis pada 48 kHz dengan batas satu lintasan selama tiga menit; AssemblyAI mengalirkan PCM 8–48 kHz, µ-law atau A-law dengan stempel waktu kata dan pesan pembatalan barge-in, yang merupakan infrastruktur dasar yang benar-benar dibutuhkan oleh stack teleponi.

• Keterbukaan — tidak satu pun mempublikasikan bobot. Keduanya hanya tersedia sebagai layanan hosted, di dalam wilayah, dengan harga dari vendor.

Tabel itu punya pembacaan yang jelas: AssemblyAI-TTS-1 bukan produk multibahasa dan tidak berpura-pura menjadi demikian. Jika agen Anda perlu berbicara dalam bahasa Jepang, Korea, atau Mandarin, keluarga Qwen adalah jawabannya dan artikel ini berakhir di situ. Jika agen Anda berbicara bahasa Inggris kepada pemanggil berbahasa Inggris dan kadang-kadang bahasa Spanyol, enam bahasa sudah cukup dan daftar kemampuan Qwen membuat Anda membayar fitur yang tidak akan pernah digunakan prompt Anda.

Harga per jam, tiga cara

Dengan menggunakan perkiraan yang sama seperti di bagian lain seri ini — sekitar 900 karakter ucapan per menit, jadi kira-kira 54.000 per jam — biaya sintesis per jam adalah:

• AssemblyAI-TTS-1 — $15 per juta karakter, semua suara dan bahasa serta cloning disertakan, konkurensi tak terbatas tanpa biaya: sekitar $0.81 per jam audio.

• Qwen-Audio-3.0-TTS-Plus — $27,59 per juta karakter di Alibaba Cloud Model Studio: sekitar $1,49 per jam.

Qwen-Audio-3.1-TTS-Plus — $19.3 per juta karakter sebagaimana dicatat oleh Artificial Analysis: sekitar $1.04 per jam.

Perhatikan sendiri ketidaksesuaian yang dapat Anda lihat pada papan: Artificial Analysis mencantumkan kedua generasi Qwen sebesar $19,3 per juta karakter, sedangkan kartu Model Studio Alibaba untuk 3.0-Plus menyebut $27,59. Itu adalah dua instrumen — harga daftar vendor dan normalisasi papan — dan keduanya bukanlah faktur yang akan Anda terima setelah penetapan harga volume yang telah dikomitmenkan masuk ke dalam pembicaraan. Angka per jam di atas menggunakan setiap angka sesuai labelnya, jadi perlakukan tarif 3.1 sebagai unit pembanding dan tarif 3.0 sebagai hal yang paling mendekati harga daftar.

AssemblyAI adalah yang termurah dari ketiganya, 22% lebih murah dibanding tier Qwen saat ini dan 45% lebih murah dibanding yang ada di judul artikel ini. Namun kolom harga bukanlah tempat uangnya berada. Uangnya ada di kolom throughput, karena model yang berjalan pada faktor waktu nyata 1,0 membutuhkan sekitar sepuluh kali perangkat keras per pemanggil serentak dibandingkan model yang berjalan pada 162 karakter per detik — dan harga per karakter yang dihosting menyembunyikan pengali itu di dalam perencanaan kapasitas penyedia hingga muncul sebagai pembatasan laju atau latensi pada puncak beban.

Apa yang sebenarnya ditambahkan router di sini

Penerapan realistis bagi tim yang menghadapi keputusan ini bukanlah salah satu model saja. Melainkan giliran berbahasa Inggris pada endpoint yang murah dan cepat serta giliran non-Inggris pada tier Qwen, yang dialihkan berdasarkan bahasa pemanggil — ini masalah perutean, bukan masalah model. Itulah lapisan yang dicakup OrcaRouter untuk sisa tumpukan: satu API untuk 200 lebih model dengan harga daftar penyedia dan markup 0%, failover otomatis saat penyedia menurun, dan DSL perutean yang menggabungkan beberapa model di balik satu endpoint alih-alih beberapa kontrak dan beberapa SDK.

Untuk memperjelas apa yang dimaksud dan tidak dimaksud: baik AssemblyAI-TTS-1 maupun varian TTS Qwen-Audio mana pun tidak ada dalam katalog OrcaRouter saat ini. Model ucapan yang kami rutekan adalah tts-1, tts-1-hd, dan gpt-4o-mini-tts dari OpenAI serta pratinjau Gemini TTS dari Google. Jadi argumen perutean berlaku untuk model bahasa yang menulis kalimat yang dibaca TTS Anda, dan untuk model ucapan apa pun yang Anda tambahkan nanti yang kami sediakan — bukan untuk kedua model ini.

Untuk siapa perbandingan ini sebenarnya ditujukan

Belilah Qwen-Audio-3.1-TTS-Plus — bukan 3.0 — jika agen Anda harus berbicara lebih dari enam bahasa, jika Anda membutuhkan performa terarah alih-alih pembacaan biasa, atau jika Anda sudah berada di dalam Alibaba Cloud dan kontrak menjadi kendala. Produk ini berada di peringkat ketiga pada papan peringkat blind, biayanya $1,04 per jam, dan kecepatan generasinya adalah hal yang perlu diuji terhadap target konkurensi Anda sendiri sebelum Anda berkomitmen.

Beli AssemblyAI-TTS-1 jika beban kerjanya adalah percakapan telepon yang mengutamakan bahasa Inggris dalam volume tinggi: tarif tetap $15, konkurensi tak terbatas tanpa biaya, kelonggaran 162 karakter per detik, stempel waktu kata dan pembatalan barge-in bawaan, serta pengukuran latensi independen sebesar 159 ms untuk ditimbang terhadap klaim vendor sebesar 90 ms. Terimalah bahwa Anda melepaskan sepuluh bahasa, 86 tag kontrol, dan segala kemampuan untuk memperbaiki singkatan yang salah diucapkan dengan kamus — dan bahwa sub-skor independen terlemahnya, 73,8% dalam memperluas singkatan, justru merupakan kegagalan yang diperhatikan oleh penelepon.

Kesalahan yang harus dihindari adalah kesalahan yang justru diundang oleh judul tulisan ini: mengutip skor model dari bulan Juli dalam keputusan bulan Oktober, lalu mendapati saat integrasi bahwa tingkat yang Anda kutip adalah tingkat yang menggantikannya. Periksa Qwen mana yang sebenarnya Anda beli sebelum membandingkannya dengan apa pun.