AssemblyAI-TTS-1 vs Qwen-Audio-3.0-TTS: il modello nel titolo non è quello da acquistare

Questo confronto nomina Qwen-Audio-3.0-TTS, e questo è un problema che vale la pena correggere prima di citare qualsiasi numero. Alibaba ha ritirato la 3.0 come suo modello vocale di punta il 23 settembre 2026, quando la serie Qwen-Audio-3.1 è stata lanciata all'Apsara Conference e ha collocato Qwen-Audio-3.1-TTS-Plus in cima alla propria linea TTS. Quindi la versione onesta di questo confronto è tre modelli, non due — AssemblyAI-TTS-1, l'endpoint chiuso a $15 per milione di caratteri che è diventato disponibile a livello generale il 27 ottobre 2026, rispetto a entrambe le generazioni dello stack vocale di Qwen — e la risposta cambia a seconda di quale Qwen intendevi davvero. Se il tuo contratto, la tua integrazione o la tua nota di approvvigionamento dice 3.0, leggi la sezione successiva. Se dice 3.1, saltala.

Innanzitutto, la correzione: 3.0 non è il Qwen attuale

Qwen-Audio-3.0-TTS è stato rilasciato il 20 luglio 2026 in due livelli. Flash è stato creato per l'uso in tempo reale con una latenza al primo pacchetto di circa 300 ms; Plus era il livello di qualità a 27,59 dollari per milione di caratteri tramite Alibaba Cloud Model Studio. La famiglia copre 16 lingue più 20 regioni dialettali cinesi, supporta 86 tag di controllo inline come [angry] e [giggles] insieme a indicazioni di stile in linguaggio naturale libero, esegue clonazione zero-shot robusta al rumore, produce output a 48 kHz e sintetizza fino a tre minuti in un'unica passata. È chiuso e disponibile solo come servizio hosted — nessun peso aperto, un allontanamento deliberato dal precedente Qwen3-TTS open-weight di Alibaba.

Dieci settimane dopo, lo stack 3.1 ha preso il suo posto in ASR, TTS, TTS-Next e realtime. Il tier TTS 3.1 offre la stessa gamma di 8 voci, è quotato a 19,3 $ per milione di caratteri nella colonna prezzi di Artificial Analysis ed è la voce a cui in realtà si riferiscono la maggior parte dei confronti su Qwen dalla fine di settembre. In pratica: 3.0 è ancora richiamabile se sei già integrato, 3.1 è quello che viene quotato a un nuovo acquirente, e qualsiasi articolo che accosta il punteggio di luglio di 3.0 a un lancio di ottobre senza dirlo ti sta vendendo un confronto obsoleto.

Il consiglio, letto una volta, per tutti e tre

Il Provider Voice Arena di Artificial Analysis, consultato il 30 ottobre 2026, quindi uno strumento per ogni riga sottostante:

• Qwen-Audio-3.1-TTS-Plus — terzo, 1.305 Elo, 2.281 campioni, rilasciato a settembre 2026.

• Qwen-Audio-3.0-TTS-Plus — settimo, 1.269 Elo, 2.794 campioni, rilasciato giugno–luglio 2026.

• AssemblyAI-TTS-1 — quattordicesimo, 1.227 Elo, 1.632 campioni, rilasciato a ottobre 2026.

• ElevenLabs Eleven v4 Turbo ed Eleven v4 occupano il primo e il secondo posto con 1.336 e 1.334, come punto di riferimento di cui questo articolo non si occupa.

Il divario di 78 punti tra AssemblyAI-TTS-1 e l’attuale livello Qwen TTS è reale, ma non è il divario più ampio in questo confronto — ElevenLabs è 31 punti sopra Qwen e 109 sopra AssemblyAI nella stessa lettura. Ciò che conta di più è che una riga da 1.632 campioni per un modello di quattro giorni è una prova esile, e gli intervalli su quella classifica sono abbastanza ampi da far sì che una nuova esecuzione possa spostare AssemblyAI-TTS-1 di qualche posizione senza che nulla del modello cambi.

Sedici caratteri al secondo è il numero che decide questo.

Ecco la misurazione che quasi nessuno inserisce in un confronto con Qwen, ed è quella che conta per il compito per cui AssemblyAI-TTS-1 è stato creato.

Artificial Analysis misura AssemblyAI-TTS-1 a 162 caratteri al secondo di sintesi. Qwen-Audio-3.0-TTS-Plus, con lo stesso tipo di misurazione, genera circa 16 caratteri al secondo — il modello più lento tra tutti quelli vicini alla vetta dell'arena. Il livello 3.1 ha migliorato questo aspetto, ma la velocità di generazione resta l'asse debole della famiglia più che il suo punto di forza.

Ora convertiamo nell’unica unità a cui interessa a un agente dal vivo. Il parlato ordinario scorre a circa 900 caratteri al minuto, ovvero 15 caratteri al secondo. Un modello che genera 16 caratteri al secondo equivale, a meno di arrotondamenti, a un fattore tempo reale di 1,0: riesce appena a mantenersi al passo con un singolo flusso di riproduzione e non può servire due conversazioni simultanee senza ulteriore hardware alle spalle. Un modello a 162 caratteri al secondo dispone di circa dieci flussi di margine per unità della stessa potenza di calcolo.

Questo inquadra diversamente il divario Elo. Un deficit di 78 punti nella preferenza alla cieca è una questione di qualità a cui puoi rispondere con il tuo corpus. Un deficit di throughput dieci volte superiore è una questione di capacità che arriva come una bolletta, perché la soluzione richiede più GPU-secondi per chiamante concorrente, e con la tariffazione hosted di Alibaba non è una leva che controlli.

Entrambe le avvertenze, dette chiaramente. Si tratta di due fornitori misurati su un unico strumento, non di un confronto diretto controllato; la throughput di generazione dipende da hardware, batching e lunghezza della sequenza. E il tokenizer vocale a 12,5 Hz di Qwen — volutamente basso rispetto ai soliti 50–75 Hz — è ciò che mantiene la sua latenza del primo pacchetto vicina ai 300 ms nel tier Flash. Qwen ha ottimizzato per la latenza fino al primo suono. AssemblyAI ha ottimizzato per i caratteri al secondo una volta avviato il turno. Sono scommesse diverse e un agente telefonico le avverte entrambe.

Le lingue e i tag di controllo sono l'ambito in cui Qwen non è neppure lontanamente vicino a essere battuto.

Se l’argomento del throughput decide il caso del call center, l’argomento linguistico decide tutto il resto, e non è affatto una questione sottile:

• Copertura — Qwen-Audio-3.0-TTS offre 16 lingue e 20 regioni dialettali cinesi; AssemblyAI-TTS-1 è stato lanciato con sei lingue (inglese, spagnolo, francese, tedesco, italiano, portoghese) e molteplici accenti al loro interno.

• Direzione — Qwen espone 86 tag di controllo inline più prompt di stile in forma libera; AssemblyAI-TTS-1 non dispone di tag emotivi, né di SSML, né di un parametro di velocità, né di un dizionario di pronuncia al lancio, e il suo stesso post afferma che le disfluenze scritte vengono lette così come sono scritte anziché interpretate.

• Clonazione — Qwen offre una clonazione zero-shot robusta al rumore; AssemblyAI offre una clonazione istantanea da un campione di 24 secondi con una fase di conferma del permesso dell' interlocutore. Nessuno dei due offre un livello di clonazione professionale addestrata, che è un prodotto ElevenLabs, non di Qwen o AssemblyAI.

• Output — Qwen sintetizza a 48 kHz con un limite massimo di tre minuti per singola passata; AssemblyAI trasmette in streaming PCM, µ-law o A-law a 8–48 kHz con timestamp a livello di parola e un messaggio di cancellazione barge-in, che è l'infrastruttura di cui uno stack telefonico ha effettivamente bisogno.

• Apertura — nessuno dei due pubblica i pesi. Entrambi sono disponibili solo come servizi ospitati, all'interno della regione, a prezzi decisi dal fornitore.

Quella tabella ha una lettura ovvia: AssemblyAI-TTS-1 non è un prodotto multilingue e non finge di esserlo. Se il tuo agente deve parlare giapponese, coreano o mandarino, la famiglia Qwen è la risposta e questo articolo finisce lì. Se il tuo agente parla inglese con interlocutori anglofoni e occasionalmente spagnolo, sei lingue bastano e l'elenco delle capacità di Qwen sta pagando per funzionalità che i tuoi prompt non useranno mai.

Prezzo all'ora, in tre modi

Usando la stessa stima applicata ovunque in questa serie — circa 900 caratteri di parlato al minuto, quindi all'incirca 54.000 all'ora — il costo orario della sintesi è:

• AssemblyAI-TTS-1 — 15 $ per milione di caratteri, tutte le voci e le lingue e il cloning inclusi, concorrenza illimitata senza costi aggiuntivi: circa 0,81 $ per ora di audio.

• Qwen-Audio-3.0-TTS-Plus — $27,59 per milione di caratteri su Alibaba Cloud Model Studio: circa $1,49 all'ora.

• Qwen-Audio-3.1-TTS-Plus — 19,3 $ per milione di caratteri secondo quanto registrato da Artificial Analysis: circa 1,04 $ all'ora.

Nota tu stesso la discrepanza visibile nel pannello: Artificial Analysis elenca entrambe le generazioni di Qwen a $19,3 per milione di caratteri, mentre la scheda Model Studio di Alibaba per 3.0-Plus indica $27,59. Si tratta di due strumenti — il prezzo di listino del fornitore e la normalizzazione del pannello — e nessuno dei due è la fattura che riceverai una volta che i prezzi basati sui volumi impegnati entrano in gioco. Le cifre orarie sopra usano ciascun numero così come etichettato, quindi considera la tariffa 3.1 come unità di confronto e la tariffa 3.0 come la cosa più vicina a un prezzo di listino.

AssemblyAI è il più economico dei tre, del 22% rispetto all'attuale livello Qwen e del 45% rispetto a quello nel titolo di questo articolo. Ma la colonna del prezzo non è dove si trova il denaro. Il denaro è nella colonna del throughput, perché un modello che gira a fattore tempo reale 1.0 richiede circa dieci volte l'hardware per chiamante concorrente rispetto a un modello che gira a 162 caratteri al secondo — e il prezzo per carattere in hosting nasconde quel moltiplicatore nella pianificazione della capacità del fornitore finché non emerge sotto forma di throttling o latenza nei momenti di picco.

Cosa aggiunge effettivamente un router qui

L'implementazione realistica per un team che affronta questa decisione non è nessuno dei due modelli da solo. Sono turni in inglese sull'endpoint economico e veloce e turni non in inglese sul tier Qwen, commutati dalla lingua del chiamante — il che è un problema di routing, non un problema di modelli. Questo è il livello che OrcaRouter copre per il resto dello stack: un'unica API per oltre 200 modelli al prezzo di listino del provider con 0% di markup, failover automatico quando un provider si degrada e un DSL di routing che compone diversi modelli dietro un unico endpoint invece di diversi contratti e diversi SDK.

Per essere precisi su cosa questo comporta e cosa non comporta: né AssemblyAI-TTS-1 né alcun livello TTS di Qwen-Audio è oggi nel catalogo OrcaRouter. I modelli vocali che instradiamo sono tts-1, tts-1-hd e gpt-4o-mini-tts di OpenAI e le anteprime TTS di Gemini di Google. Quindi l'argomentazione sul routing si applica al modello linguistico che scrive la frase che il tuo TTS legge, e a qualsiasi modello vocale che aggiungerai in seguito e che noi effettivamente mettiamo a disposizione — non a questi due.

A chi è davvero destinato questo confronto

Acquista Qwen-Audio-3.1-TTS-Plus — non la 3.0 — se il tuo agente deve parlare più di sei lingue, se ti serve una performance guidata anziché una semplice lettura, o se sei già dentro Alibaba Cloud e il contratto è il vincolo. È al terzo posto nella classifica cieca, costa 1,04 $ all'ora, e la sua velocità di generazione è l'aspetto da testare rispetto al tuo target di concorrenza prima di impegnarti.

Acquista AssemblyAI-TTS-1 se il carico di lavoro è costituito da conversazioni telefoniche ad alto volume in cui l’inglese è la lingua principale: una tariffa unica di $15, concorrenza illimitata senza alcun costo, 162 caratteri al secondo di margine, timestamp delle parole e un’interruzione barge-in integrate, e una misurazione indipendente della latenza di 159 ms da confrontare con i 90 ms dichiarati dal fornitore. Accetta di rinunciare a dieci lingue, 86 tag di controllo e a qualsiasi possibilità di correggere con un dizionario un’abbreviazione pronunciata male — e che il suo sotto-punteggio indipendente più debole, 73.8% nell’espansione delle forme abbreviate, è esattamente l’errore che un chiamante nota.

L'errore da evitare è quello a cui invitava il titolo di questo articolo: citare il punteggio di un modello di luglio in una decisione di ottobre, per poi scoprire in fase di integrazione che il livello che ti è stato quotato è quello che lo ha sostituito. Verifica quale Qwen ti stanno effettivamente vendendo prima di confrontarlo con qualsiasi cosa.