GPT-Live-1 vs Qwen-Audio-3.0-TTS: Percakapan dan Narator Bukan Pos yang Sama

Letakkan GPT-Live-1 dan Qwen-Audio-3.0-TTS berdampingan berdasarkan harga per jam audio dan selisihnya tampak menentukan: Qwen-Audio-3.0-TTS-Plus milik Aliba​ba menghasilkan ucapan dengan tarif $27,6 per juta karakter, kira-kira $1,66 audio per jam, sementara GPT-Live-1 milik Ope​nAI menagih $3,00 untuk satu jam saluran terbuka yang terus-menerus. Naratornya lebih murah, jadi naratornya menang — hanya saja ini perbandingan yang salah, dan alasan itu salah adalah hal paling berguna yang bisa diambil siapa pun dari adu ini. Qwen-Audio-3.0-TTS adalah model text-to-speech. GPT-Live-1 adalah model percakapan dupleks penuh. Salah satunya membacakan apa yang Anda tulis. Yang satunya lagi harus memutuskan, beberapa kali per detik, apakah Anda sudah selesai berbicara.

Yang satu merender, yang satu bercakap

Text-to-speech menerima teks dan mengembalikan audio. Tidak ada audio masukan, tidak ada giliran yang perlu diambil, tidak ada gagasan tentang disela, dan tidak ada transkrip untuk dikembalikan, karena model tidak pernah mendengar apa pun. Model biayanya adalah mesin cetak: halaman masuk, audio keluar, kualitas dan throughput adalah satu-satunya dua angka yang penting, dan Anda dapat mengukur keduanya sebelum merilisnya.

Model percakapan dupleks penuh memproses audio masuk sembari menghasilkan audio keluar. Tugasnya mencakup bagian-bagian percakapan yang tidak ada hubungannya dengan kata-kata — berhenti saat pengguna berhenti, terus melaju melalui umpan balik singkat seperti "yeah" alih-alih menganggapnya sebagai interupsi, menyerahkan giliran bicara di tengah kalimat, dan memicu panggilan alat tanpa memutus alur. GPT-Live-1 melakukan semua itu dan mengembalikan transkrip pengenalan ucapan bersama sesi, yang hanya dapat dilakukannya karena ia mendengarkan sepanjang waktu.

Jika produk Anda membacakan artikel dengan lantang, mengonversi dokumentasi menjadi audio, atau menarasikan video, GPT-Live-1 adalah alat yang salah dengan harga empat kali lipat per jam. Jika produk Anda menerima panggilan telepon, Qwen-Audio-3.0-TTS adalah sepertiga dari pipeline yang masih membutuhkan model ASR dan model bahasa untuk menjadi percakapan.

Di mana Qwen-Audio-3.0-TTS benar-benar menjadi jawaban terbaik

Argumen untuk model Alibaba bukanlah pemasaran. Dirilis pada 20 Juli 2026 oleh Tongyi Lab milik Alibaba dan disediakan sebagai API tertutup yang dihosting melalui Alibaba Cloud Model Studio, tier Plus menduduki posisi teratas di arena text-to-speech Artificial Analysis saat kemunculannya. Namun, papan peringkat adalah sasaran yang bergerak, dan yang ini telah bergerak: per September 2026 Qwen-Audio-3.0-TTS-Plus berada di peringkat keempat di Provider Voice Arena dengan Elo 1.232 dari 2.306 sampel, di belakang Cartesia Sonic 3.6 pada 1.275, Inworld Realtime TTS-2 pada 1.244, dan Simba 3.2 milik Speechify pada 1.233 — tiga model dari Agustus dan Juli yang dirilis setelahnya. Keempat dari dua puluh lebih, dengan kepemimpinan yang hilang dan keunggulan harga yang tetap utuh, tetap merupakan posisi yang kuat. Hanya saja, itu bukan posisi yang digambarkan oleh liputan peluncuran.

Ia unggul dalam 10 dari 16 bahasa yang dicakupnya, menambahkan 20 wilayah dialek Tionghoa, mendukung kloning suara dari sampel pendek termasuk kloning lintas bahasa, dan menyertakan 86 tag emosi dan penyampaian inline.

Peringatannya cukup spesifik untuk bisa diantisipasi dalam perencanaan.

• Throughput — Plus menghasilkan sekitar 16 karakter per detik, dibandingkan 30,2 untuk Simba 3.2, 27 untuk Gemini 3.1 Flash TTS, dan sekitar 120 untuk Sonic 3.5. Untuk perenderan batch, hal ini tidak terlihat; untuk produk live, angka itulah yang menentukan buffer Anda.

• Dokumentasi harga — angka $27,6 per juta karakter yang banyak dikutip tidak cocok dengan halaman harga Alibaba sendiri di setiap snapshot, yang pada beberapa titik mencantumkan angka lebih rendah untuk kedua tier. Periksa angka terkini di tingkat akun sebelum Anda membuat perkiraan, bukan angka dari papan peringkat.

• Pustaka suara — meskipun mendukung 16 bahasa, suara preset publik hampir seluruhnya berbahasa Mandarin dan Inggris. Empat belas bahasa lainnya tersedia melalui alur kerja kloning, bukan siap pakai.

• Pembatasan fitur — 86 tag emosi inline hanya berfungsi dalam mode streaming satu arah, sehingga kontrol ekspresif tidak bertahan di setiap jalur integrasi.

• Tingkatan — Flash menargetkan latensi paket pertama sekitar 300 ms untuk penggunaan real-time; Plus adalah tingkat kualitas. Keduanya adalah produk berbeda dengan nama yang sama, dan memilih yang salah adalah kesalahan pertama yang umum.

Versi jujur dari RUU cascade

Inilah yang tidak dicakup oleh perbandingan per jam. Produk percakapan yang dibangun di atas model TTS adalah kaskade: model ASR mengubah ucapan pemanggil menjadi teks, model bahasa memutuskan apa yang harus dikatakan, dan model TTS mengucapkannya. Tiga vendor, tiga tagihan, tiga anggaran latensi yang saling menumpuk, dan serah terima di setiap batas tempat prosodi mati. Bagian TTS mungkin menelan biaya $1,66 per jam audio. Dua bagian lainnya justru tempat uang dan kesalahan sebenarnya berada — dan model kaskade tidak dapat mendengar jeda di tengah kalimat yang sedang diucapkannya.

GPT-Live-1 menggabungkan tiga komponen menjadi satu sesi dan satu meter, dengan tarif $0.05 per menit suara, sementara backend penalaran ditagih secara terpisah. Dua rincian menjaga tagihan itu tetap akurat. Inisialisasi sesi menagih 15 detik suara di muka, yang dikreditkan terhadap durasi selanjutnya, bukan ditambahkan ke dalamnya. Dan backend adalah meter kedua: setiap panggilan penalaran yang didelegasikan, pemanggilan alat, dan pencarian web ditagih dengan tarif normal model tersebut, sehingga mengarahkan delegasi ke model penalaran terdepan yang mencari di setiap giliran menghasilkan panggilan mahal di balik lapisan suara yang murah.

Apa yang dikatakan papan-papan independen tentang keduanya sangat instruktif justru karena mereka mengukur hal yang berbeda dan tidak ada yang menyanjung subjeknya. Qwen-Audio-3.0-TTS-Plus berada di peringkat keempat untuk kualitas dan hampir di dasar untuk throughput. GPT-Live-1 berada di peringkat ketujuh dari sebelas pada Speech to Speech Index milik Artificial Analysis dengan 69,8% — di belakang GPT-Realtime-2.1 yang digantikannya, pada 73,9% — sementara dibebankan pada ujung terendah dari kisaran biaya per jam audio masukan indeks tersebut, $4,42 versus $10,75 milik GPT-Realtime-2.1. Tidak ada model yang memenangkan posisi teratas kategorinya sendiri. Keduanya lebih murah daripada hal yang mereka dirancang untuk dikalahkan.

Meter kedua itulah tempat lapisan perutean menjadi keputusan desain alih-alih sekadar optimasi. OrcaRouter tidak membawa GPT-Live-1 maupun Qwen-Audio-3.0-TTS — lapisan suara dalam kedua kasus berada di luar jangkauan kami, dan tidak satu pun darinya kami rutekan. Kaki penalarannya tidak demikian. Sekitar 190 model dari sebelas penyedia hulu berada di balik satu kunci dengan harga daftar penyedia tanpa markup, dan pemotongan harga dari penyedia berlaku pada hari yang sama, bukan pada perpanjangan kontrak berikutnya. Untuk sebuah kaskade, hal itu langsung menutupi kaki tengahnya: simpan dua opsi ASR dan tiga penalar di balik satu endpoint, adu keduanya (A/B) pada trafik nyata, dan biarkan failover otomatis menyerap gangguan dari hulu tanpa memutus panggilan.

Pertanyaan tentang persetujuan justru berlaku sebaliknya.

Kloning suara adalah kemampuan Qwen-Audio-3.0-TTS yang paling berguna secara komersial sekaligus area kepatuhan terbesarnya. Sepuluh detik audio referensi sudah cukup untuk mereproduksi seorang pembicara, secara lintas bahasa, yang bersifat transformatif untuk lokalisasi dan menjadi liabilitas di mana pun identitas menjadi penting. OpenAI merilis GPT-Live-1 tanpa kloning dan tanpa suara kustom sama sekali — 12 suara API untuk dipilih, dan itulah daftarnya.

Asimetri itu mudah dilewatkan dalam perbandingan fitur dan sulit dilewatkan dalam tinjauan risiko. Produk yang hanya pernah berbicara dalam salah satu dari dua belas suara vendor memiliki jawaban yang jauh lebih singkat untuk "suara siapa itu, dan siapa yang menyetujuinya" daripada produk yang dapat mereproduksi suara apa pun dari sebuah sampel. Jika Anda memerlukan kloning, keputusan pipeline sudah dibuat untuk Anda, dan pertanyaannya menjadi apa yang mengaturnya. Jika tidak, keterbatasan GPT-Live-1 layak dibaca sebagai kontrol yang tidak harus Anda bangun.

Yang mana yang harus dibeli

Beli Qwen-Audio-3.0-TTS jika outputnya berupa konten: narasi, lokalisasi, audio aksesibilitas, dubbing, atau alur kerja apa pun ketika teks sudah ada sebelum audio dan kualitas per jam yang dirender menjadi metriknya. Mulai dengan Flash jika Anda membutuhkan pemutaran real-time, beralihlah ke Plus ketika suara itu sendiri adalah hasil yang diserahkan, dan tetapkan harga untuk alur kerja kloning secara terpisah dari suara preset.

Beli GPT-Live-1 jika inputnya adalah orang. Saluran dukungan, alur pemesanan, wawancara awal, apa pun di mana suku kata pertama pengguna datang saat model masih di tengah kalimat dan sistem harus berperilaku seperti pendengar bukan pembicara. Biayanya lebih mahal per jam audio, dan ini satu-satunya dari keduanya yang dapat diinterupsi.

Keduanya jauh lebih sering menjadi pelengkap daripada pesaing: banyak produk menginginkan Qwen-Audio-3.0-TTS membacakan dokumen dan model dupleks menangani panggilan yang menyusul. Yang tidak boleh mereka bagikan adalah model biaya. Metrik per jam audio adalah metrik yang tepat untuk tepat satu di antara keduanya.