Voxtral 3 TTS vs Qwen-Audio-3.0-TTS-Plus: Dua Suara Murah, Dua Peta Berbeda

Kedua model ini lebih murah daripada model terdepan dan keduanya berada di luar kelas itu, sehingga pilihan antara Voxtral 3 T​TS dan Q​wen-Audio-3.0-T​TS-Plus menjadi soal cakupan, bukan kualitas. Di papan peringkat Provider Voice milik Artificial Analysis, selisih keduanya 47 Elo — Q​wen di 1.264 (#7), model baru Mistral di 1.217 (#13) — dan harga keduanya $19,31 dan $13,00 per juta karakter. Tak satu pun dari selisih itu yang menentukan. Yang menentukan adalah bahwa model A​libaba dibangun seputar bahasa Tionghoa, termasuk dua puluh wilayah dialek dan delapan puluh enam tag penyampaian inline, sedangkan model Mistral dibangun seputar dua puluh empat bahasa resmi Uni Eropa. Jika produk Anda menggunakan bahasa Mandarin, Kanton, atau Hokkien, perdebatannya berakhir pada daftar bahasa. Jika produk Anda menggunakan bahasa Portugis, Polandia, atau Belanda, perdebatannya juga berakhir di sana, ke arah sebaliknya. Kegagalan AI dan insiden agen yang terdokumentasi di balik rilis seperti ini dikumpulkan dalam the OrcaRouter AI Incident Archive tempat setiap entri menyertakan sumbernya sendiri, tingkat keparahan, tingkat keyakinan, dan penanda status diperdebatkan.

Angka-angka itu, dan seberapa besar bobotnya

• Elo Suara Penyedia — Q​wen-Audio-3.0-T​TS-Plus: 1.264. Voxtral 3 T​TS: 1.217. Keduanya menurut Artificial Analysis, 21 Oktober 2026.

• Elo Suara Terkontrol — Q​wen-Audio-3.0-T​TS-Plus: 1.125 (#7). Voxtral 3 T​TS: 1.066 (#14). Selisihnya melebar dari 47 menjadi 59 poin setelah keduanya dikloning ke delapan suara referensi yang sama, yang berarti keunggulan A​libaba terletak pada mesin sintesis, bukan pada pustaka suaranya.

• Harga per 1 juta karakter — $19,31 untuk Q​wen-Audio-3.0-T​TS-Plus, $13,00 untuk Voxtral 3 T​TS. Dengan sekitar 900 karakter per menit ucapan, itu berarti $1,04 versus $0,70 per jam.

• Bahasa — Alibaba: 16 bahasa plus 20 wilayah dialek Tionghoa. Mistral: 35+ bahasa dan 50+ dialek, dengan preset dalam 18 bahasa.

• Kloning suara — A​libaba: kloning audio referensi termasuk transfer timbre lintas bahasa. Mistral: adaptasi "Pro Voice" dari 30 menit audio. Keduanya tidak menawarkan kloning instan sepuluh detik yang dijual Cartesia.

• Weights — tertutup di kedua sisi. Keduanya adalah produk khusus API.

• Latensi — Alibaba menerbitkan angka streaming karakter pertama untuk model pengenalannya dan model suara real-time secara terpisah; Mistral tidak menerbitkan waktu hingga audio pertama untuk Voxtral 3 TTS. Tidak satu pun dari angka tersebut dapat dibandingkan antar vendor, dan untuk sintesis, tidak satu pun merupakan pengukuran independen.

Satu catatan tentang angka Elo: Voxtral 3 T​TS baru satu hari berada di papan peringkat saat angka-angka ini dibaca, dengan 1.619 perbandingan dibandingkan dengan 2.399 milik Q​wen. Selisih 47 poin di dalam interval kepercayaan yang saling tumpang tindih pada ukuran sampel itu adalah petunjuk arah, bukan putusan. Bacalah ini sebagai “Q​wen kemungkinan sedikit lebih unggul” daripada sebagai angka 47 yang terukur.

Di mana model A​libaba menang, dan itu bukan kemenangan marginal.

Cakupan bahasa Tionghoa adalah perbedaan pertama dan terbesar, dan perlu diperjelas apa yang dimaksud dengan "20 wilayah dialek". Lini ucapan A​libaba dibangun untuk pasar domestik di mana satu bahasa tertulis dipetakan ke tuturan yang dirusak oleh model khusus Mandarin: Kanton, Sichuan, Wu, Minnan, dan lainnya. Q​wen-Audio-3.0-T​TS-Plus mendukung wilayah-wilayah itu secara native, dan generasi 3.1 A​libaba menambahkan transfer timbre lintas bahasa — satu suara dibawa melintasi Mandarin, Kanton, Inggris, dan Jepang — yang merupakan fitur penting jika Anda melokalkan satu presenter alih-alih melakukan casting per pasar.

Yang kedua adalah kontrol penyampaian pada tingkat token. Q​wen-Audio-3.0-T​TS-Plus mewarisi serangkaian 86 tag penyampaian inline yang terdokumentasi dari generasinya, sehingga skrip dapat membawa penanda emosi, tempo, dan penekanan langsung di transkrip. Voxtral 3 T​TS dari Mistral menyediakan kontrol tingkat prompt atas emosi, tempo, dan penekanan plus pengucapan tingkat fonem dan pustaka kosakata — sebanding dalam maksud, tetapi kosakata tag A​libaba lebih granular di antara keduanya di atas kertas.

Yang ketiga adalah bahwa A​libaba merilis produk saudara yang lebih murah. Pembaruan 3.1 menjadikan T​TS sebagai SKU kelas Flash, sehingga tim yang menganggap tingkat 3.0-Plus terlalu mahal memiliki jalur downgrade yang terdokumentasi di dalam vendor yang sama, pada kisaran harga yang kira-kira sama dengan Voxtral 3 T​TS. Jawaban Mistral terhadap "tolong lebih murah" adalah model yang sama atau vendor yang berbeda.

Titik lemah model A​libaba juga sama jelasnya: 16 bahasa adalah cakupan yang kecil. Jika katalog Anda berjalan dalam bahasa Polandia, Turki, Vietnam, atau Portugis, Q​wen-Audio-3.0-T​TS-Plus tidak mencakup Anda dan berapa pun skor Elo tidak akan menutup celah itu.

Di mana Voxtral 3 T​TS unggul

Cakupan bahasa di luar Asia, secara gamblang. Diklaim lebih dari 35 bahasa dengan lebih dari 50 dialek, dan sebuah keluarga model yang ditujukan untuk pengadaan Eropa: Mistral menyatakan semua 24 bahasa resmi UE di seluruh model transkripsi serta endpoint API UE, AS, dan global, dengan penerapan mandiri di infrastruktur privat bagi pembeli yang perlu mengendalikan di mana audio diproses dan apakah audio tersebut disimpan. Bagi pembeli sektor publik atau layanan kesehatan Eropa, itu bukan sekadar penentu akhir, melainkan persyaratan.

Yang kedua adalah stack pendukung di sekitarnya. Voxtral 3 TTS tidak dijual sebagai endpoint tunggal: produk ini hadir dengan SDK agen berbasis LiveKit yang mendukung SIP, WebRTC, dan IVR, klaim latensi giliran agen di bawah satu detik, serta harga per menit untuk seluruh siklus — $0,04 dengan penalaran Mistral Small 4, $0,08 dengan model penalaran lain. Alibaba juga memiliki model suara realtime, tetapi model Mistral didokumentasikan sebagai proposisi bundling dengan angka per menit yang dipublikasikan, yang lebih mudah dijadikan dasar kasus bisnis daripada kartu tarif per token.

Yang ketiga adalah harga, secara sempit. $13 versus $19,31 adalah diskon 33%, dan dalam skala besar itu angka yang nyata: sepuluh ribu jam per bulan sekitar $7.000 versus $10.400. Ini bukan peristiwa penetapan ulang harga, tetapi juga bukan hal yang tidak berarti.

Kasus perutean di sini lebih kuat dibandingkan dengan sebagian besar pertandingan.

Sebagian besar artikel yang membandingkan model dengan model berakhir dengan "pilih salah satu". Pasangan ini adalah masalah portofolio yang nyata, karena kedua peta cakupannya hampir tidak tumpang tindih di bagian tepi dan keduanya cukup murah untuk dijalankan berdampingan. Platform e-commerce Eropa yang menarasikan halaman produk dalam delapan bahasa UE dan juga melayani basis pelanggan berbahasa Kanton membutuhkan keduanya. Begitu pula rumah dubbing yang mengerjakan serial dengan dialog Mandarin dan subtitel Prancis.

Bagian yang canggung dari menjalankan keduanya bukanlah pilihan model, melainkan seluk-beluk integrasinya: dua vendor, dua skema autentikasi, dua hubungan penagihan, dua rangkaian mode kegagalan. OrcaRouter ada tepat untuk bentuk itu — satu kunci yang kompatibel dengan OpenAI untuk 200+ model, harga daftar penyedia diteruskan dengan markup 0% sehingga perubahan harga vendor langsung berlaku pada hari yang sama, dan DSL perutean yang dapat mengirim permintaan bertanda bahasa ke model yang mendukung bahasa tersebut. Baik Voxtral 3 T​TS maupun Q​wen-Audio-3.0-T​TS-Plus tidak ada dalam katalog OrcaRouter pada saat artikel ini ditulis, dan satu API untuk 200+ model adalah klaim tentang katalog yang kami jalankan, bukan tentang kedua model ini — saat ini keduanya diakses melalui API milik vendor masing-masing dan beberapa platform pihak ketiga. Poin desainnya tetap berlaku: jika matriks bahasa Anda memerlukan dua vendor, Anda ingin pemisahan itu berada dalam aturan perutean alih-alih dalam dua jalur kode.

Apa yang belum dipublikasikan oleh kedua vendor itu

Tiga celah, dan ketiganya sama dalam kedua kasus, yang menunjukkan sesuatu tentang betapa mudanya lapisan pasar ini.

Tidak ada skor per bahasa. Kedua angka Elo tersebut adalah agregat. Sebuah model bisa berada di 1.264 secara keseluruhan dan sangat baik dalam bahasa Mandarin tetapi biasa saja dalam bahasa Prancis; papan peringkat tidak dapat memberi tahu Anda, dan tidak ada vendor yang menerbitkan rincian per bahasa. Untuk keputusan apa pun yang bergantung pada kualitas dalam bahasa tertentu, satu-satunya uji yang andal adalah korpus Anda sendiri, yang dibaca oleh penutur asli yang tidak diberi tahu model mana yang menghasilkan sampel mana.

Tidak ada angka ketahanan format panjang. Klip Arena berjalan dalam hitungan detik. Tidak ada model yang mendokumentasikan panjang generasi maksimum untuk endpoint TTS-nya, dan tidak ada pula yang memiliki uji koherensi yang dipublikasikan selama sepuluh menit — durasi yang menentukan apakah sebuah audiobook berfungsi atau tidak. Generasi 3.1 Qwen memindahkan generasi adegan format panjang ke model -Next terpisah, alih-alih memperluas endpoint TTS, yang merupakan pengakuan implisit bahwa model dasar bukanlah alat untuk format panjang.

Tidak ada pengukuran latensi independen. Mistral tidak menerbitkan apa pun untuk sintesis Voxtral 3 T​TS; A​libaba menerbitkan angka dari vendor. Artificial Analysis melaporkan throughput median 112 karakter per detik untuk Voxtral 3 T​TS, tetapi tidak untuk Q​wen-Audio-3.0-T​TS-Plus di halaman yang sama. Dalam agen suara langsung, waktu hingga audio pertama lebih menentukan pengalaman produk daripada Elo, dan itu adalah angka yang paling sedikit terdokumentasi di kategori ini.

Pembagian yang jujur

Pilih Q​wen-Audio-3.0-T​TS-Plus jika produk ini mendukung bahasa Mandarin — Mandarin dengan aksen regional, Kanton, atau alih kode antara bahasa Mandarin dan Inggris — atau jika Anda memerlukan tag penyampaian granular di dalam transkrip dan menginginkan vendor dengan tier lebih murah yang terdokumentasi di bawah produk unggulan. Biayanya 48% lebih mahal daripada Voxtral dan secara terukur lebih unggul di kedua papan peringkat; untuk pekerjaan yang mengutamakan bahasa Mandarin, itu uang yang dibelanjakan dengan baik.

Pilih Voxtral 3 T​TS jika produk tersebut mendukung bahasa-bahasa Eropa, jika residensi data di UE menjadi persyaratan pengadaan, atau jika Anda membangun agen suara dan menginginkan sintesis yang dibundel dengan SDK agen serta harga per menit yang dipublikasikan. Anda melepaskan 47 Elo dan mendapatkan peta bahasa yang mencakup pasar tempat Anda menjual.

Pilih keduanya — dan arahkan di antara keduanya — jika audiens Anda benar-benar mencakup kedua peta. Dalam pembacaan Elo per dolar, keduanya cukup berdekatan sehingga hasil imbang harus diputuskan berdasarkan cakupan, bukan skor, dan produk dengan pelanggan di Guangzhou dan Gdańsk tidak punya satu jawaban yang benar.

Yang layak diperhatikan adalah apakah salah satu vendor menerbitkan rincian per bahasa. Begitu salah satunya melakukannya, perbandingan ini berhenti menjadi perdebatan tentang peta dan menjadi perdebatan tentang pengukuran, yang merupakan perdebatan yang lebih baik untuk dilakukan.