Grok Voice 3.0 vs Qwen-Audio-3.0-TTS: Uno di questi può sentirti, e non è quello più economico

Metti le due tariffe a confronto e il modello di Alibaba vince di un fattore tre. Qwen-Audio-3.0-TTS genera parlato a $27,6 per milione di caratteri, circa $1,66 di audio all'ora, ed è disponibile oggi come API ospitata tramite Alibaba Cloud Model Studio. Grok Voice 3.0, annunciato da SpaceXAI il 14 ottobre 2026, fattura $0,08 al minuto di audio — $4,80 all'ora — più $0,004 per input di testo. Il narratore è il prodotto più economico, e il narratore non può sentire nulla di ciò che dici. Qwen-Audio-3.0-TTS è un modello text-to-speech. Grok Voice 3.0 è un modello speech-to-speech full-duplex che deve decidere, più volte al secondo, se hai finito di parlare. L'ora di audio è la metrica giusta per esattamente uno dei due.

Questo è l'intero confronto racchiuso in un paragrafo, e tutto ciò che segue è la parte che decide i deployment: quanto costa gestire ciascuno, una volta contati i tratti della pipeline che lo circondano.

Uno renderizza uno script. Uno risponde a una chiamata.

La sintesi vocale prende testo e restituisce audio. Non c'è audio in ingresso, nessun turno da prendere, nessun concetto di essere interrotti e nessuna trascrizione che ritorna, perché il modello non ha mai sentito nulla. Il suo modello di costo è una macchina da stampa — pagine in ingresso, audio in uscita — e gli unici due numeri che contano sono la qualità e il throughput, entrambi misurabili prima del rilascio.

Un modello full-duplex elabora l'audio in ingresso mentre produce l'audio in uscita. Il suo compito include le parti di una conversazione che non hanno nulla a che fare con le parole: mettersi in pausa quando l'interlocutore si mette in pausa, proseguire attraverso un backchannel invece di trattarlo come un'interruzione, cedere la parola a metà frase e attivare una chiamata a uno strumento senza perdere il filo. Grok Voice 3.0 fa tutto questo e restituisce le trascrizioni insieme alla sessione, cosa che può fare solo perché stava ascoltando per tutto il tempo.

Se il tuo prodotto legge articoli ad alta voce, converte documentazione in audio o narra video, Grok Voice 3.0 è lo strumento sbagliato a un costo orario triplo e non può affatto svolgere il compito, perché non accetta uno script e non produce un file. Se il tuo prodotto riceve una chiamata telefonica, Qwen-Audio-3.0-TTS è un terzo di una pipeline che ha ancora bisogno di riconoscimento vocale e di un modello linguistico per diventare una conversazione — e ognuno di quei passaggi aggiunge costo, latenza e un confine in cui la prosodia muore.

Dove Qwen-Audio-3.0-TTS è davvero forte

La tesi a sostegno del modello di Alibaba non è il marketing. Rilasciato il 20 luglio 2026 dal Tongyi Lab di Alibaba ed esposto come API ospitata e chiusa, il livello Plus ha conquistato il primo posto nell’arena text-to-speech di Artificial Analysis al suo arrivo. Le classifiche cambiano, e questa è cambiata: a settembre 2026 Qwen-Audio-3.0-TTS-Plus occupa il quarto posto nella Provider Voice Arena con un Elo di 1.232 su 2.306 campioni, dietro Cartesia Sonic 3.6 a 1.275, Inworld Realtime TTS-2 a 1.244 e Simba 3.2 di Speechify a 1.233 — tre modelli di luglio e agosto rilasciati dopo di esso. Quarto su oltre venti, con il primo posto perso e il vantaggio di prezzo intatto, resta comunque una posizione forte. Solo che non è la posizione descritta dalla copertura del lancio.

• Copertura linguistica — 16 lingue con posizioni di responsabile in 10 di esse, oltre a 20 regioni dialettali cinesi.

• Clonazione vocale — da brevi campioni di riferimento, inclusa la clonazione cross-linguale.

• Controllo espressivo — 86 tag inline di emozione e resa.

• Throughput — Plus genera circa 16 caratteri al secondo. Per il rendering in batch è invisibile; per un prodotto live è il numero che decide il tuo buffer.

• Livelli — Flash punta a circa 300 ms di latenza del primo pacchetto per la riproduzione in tempo reale; Plus è il livello di qualità. Sono prodotti diversi che condividono un nome, e scegliere quello sbagliato è un comune primo errore.

• Lacuna nella documentazione — il valore di 27,6 $ per milione di caratteri ampiamente citato non coincide con la pagina dei prezzi di Alibaba stessa in ogni rilevazione, che in alcuni casi ha indicato cifre inferiori per entrambi i livelli. Controlla il numero a livello di account prima di fare previsioni, anziché quello della classifica.

Due avvertenze da tenere presenti in fase di pianificazione. Nonostante le sedici lingue supportate, le voci predefinite pubbliche sono quasi interamente cinesi e inglesi, e le altre quattordici esistono tramite il flusso di lavoro di clonazione anziché essere disponibili subito. E gli 86 tag emozionali inline funzionano solo in modalità streaming unidirezionale, quindi il controllo espressivo non si conserva in ogni percorso di integrazione.

C’è anche una versione a cui fare attenzione. Alibaba ora elenca una generazione Qwen-Audio-3.1-TTS e una famiglia separata Qwen Audio 3.0 Realtime, e non sono lo stesso modello di Qwen-Audio-3.0-TTS — la linea Realtime è un prodotto speech-to-speech che compare su una classifica del tutto diversa. Chiunque confronti "Qwen Audio 3.0" con un modello conversazionale dovrebbe controllare quale riga del listino prezzi di Alibaba stia effettivamente leggendo.

Quanto costa Grok Voice 3.0 e cosa non risolve

Grok Voice 3.0 è arrivato il 14 ottobre 2026 a $0,08 al minuto di audio più $0,004 per input di testo, invariato rispetto al modello che sostituisce, con grok-voice-latest che ora punta a esso e grok-voice-2.0 contrassegnato come deprecato. Nel Speech to Speech Index di Artificial Analysis occupa la prima posizione con 86,9, la sua componente più alta sono le prestazioni agentiche, al 71,6% su τ-Voice contro il 56,5% del suo predecessore — il più grande singolo movimento della release.

La latenza è l'unico punto in cui i due modelli condividono finalmente un'unità di misura. Grok Voice 3.0 dichiara 0,81 secondi fino al primo audio, il valore più rapido tra i modelli conversazionali di frontiera. Il tier Flash di Qwen Audio punta a circa 300 ms al primo pacchetto. Non si tratta però della stessa misurazione: 300 ms è il tempo al primo pacchetto di un processo di rendering di cui possiedi già il testo, mentre 0,81 secondi è il tempo che intercorre tra la fine del discorso di una persona e l'inizio del tuo, e include la decisione che fosse il tuo turno. Circa due volte e mezzo la latenza per acquisire la capacità di essere interrotto. Se ne valga la pena dipende interamente dal fatto che ci sia o meno una persona dall'altra parte.

Grok Voice 3.0 porta anche le parti di un prodotto vocale che un modello TTS lascia a te: la sessione duplex, il rilevamento dei turni lato server, strumenti con ambito di sessione in modo che l'agente possa chiamare un backend a metà conversazione, e la trascrizione che ne consegue. Non porta una modalità di lettura di un copione, una clonazione documentata come cross-linguale, o sedici lingue pubblicizzate come funzionalità. Il suo caso d'uso indirizzabile è più ristretto di quello del modello TTS, e il suo valore orario è più alto.

La versione onesta del disegno di legge a cascata

Un prodotto conversazionale costruito su un modello text-to-speech è una cascata: un modello di riconoscimento vocale trasforma il parlato del chiamante in testo, un modello linguistico decide cosa dire e il modello TTS lo pronuncia. Tre fornitori, tre fatture, tre budget di latenza che si sommano e un passaggio di consegne a ogni confine. Il segmento TTS può costare 1,66 dollari per un'ora di audio. Gli altri due segmenti sono quelli dove stanno davvero i soldi e gli errori, e la cascata non riesce a sentire una pausa nel mezzo di una frase che sta già pronunciando.

Grok Voice 3.0 fa confluire le tre componenti in un'unica sessione e un unico contatore — con due dettagli che mantengono onesta la fattura. Le sue chiamate agli strumenti e qualsiasi ragionamento delegato vengono eseguiti sul backend che risponde loro, qualunque esso sia, alle tariffe proprie di quel modello, quindi indirizzare l'agente verso un ragionatore di frontiera che cerca a ogni turno produce una chiamata costosa dietro un livello vocale economico. E a 300.000 minuti al mese, il listino prezzi è di 24.000 dollari solo per la metà vocale.

Quel secondo parametro è il punto in cui questo confronto smette di essere una scelta di modello e diventa una scelta di architettura, ed è lì che un livello di routing si guadagna il suo posto. OrcaRouter non integra né Grok Voice 3.0 né Qwen-Audio-3.0-TTS; i livelli vocali in entrambi i casi sono fuori dalla nostra portata e non ne instradiamo alcuna parte. Non è così per la gamba del reasoning. Duecentosette modelli provenienti da più di una dozzina di upstream stanno dietro a una sola chiave al prezzo di listino del provider, senza alcun ricarico, e un taglio di prezzo del provider arriva lo stesso giorno invece che al tuo prossimo rinnovo contrattuale. Per una cascata che copre direttamente la gamba intermedia: tieni due opzioni di riconoscimento vocale e tre reasoner dietro un unico endpoint, mettili a confronto in A/B su traffico reale e lascia che il failover automatico assorba un'interruzione a monte senza far cadere una chiamata. Un DSL di routing compone più modelli in un'unica chiamata per i casi in cui un singolo reasoner non basta.

Scegliere, in una domanda

Acquista Qwen-Audio-3.0-TTS se l'output è contenuto: narrazione, localizzazione, audio per l'accessibilità, doppiaggio o qualsiasi flusso di lavoro in cui il testo esiste prima dell'audio e la metrica è la qualità per ora renderizzata. Parti da Flash se hai bisogno di riproduzione in tempo reale e passa a Plus quando è la voce stessa il risultato finale, tariffa il flusso di lavoro di clonazione separatamente dalle voci preimpostate e conferma la tariffa per milione di caratteri a livello di account prima di costruirci sopra una previsione.

Compra Grok Voice 3.0 se l'input è una persona. Linee di assistenza, flussi di prenotazione, colloqui di intake, qualsiasi cosa in cui la prima sillaba del chiamante arriva mentre il modello è a metà frase e il sistema deve comportarsi come un ascoltatore anziché come un riproduttore. Costa di più per ora di audio, non può leggere il tuo documento ed è l'unico dei due che può essere interrotto.

Molti prodotti reali vogliono entrambe le cose — un modello di rendering che produce gli asset audio e un modello duplex che gestisce la chiamata a cui quegli asset appartengono. Ciò che non dovrebbero condividere è un modello di costo. L'ora di audio è l'unità giusta per uno di questi due, e il costo reale dell'altro è la pipeline che hai evitato non costruendo una cascata.