Voxtral 3 TTS vs Qwen-Audio-3.0-TTS-Plus: due voci economiche, due mappe diverse

Entrambi questi modelli costano meno della frontiera e sono entrambi al di fuori di essa, il che rende la scelta tra Voxtral 3 T​TS e Q​wen-Audio-3.0-T​TS-Plus una questione di copertura più che di qualità. Nella classifica Provider Voice di Artificial Analysis li separano 47 punti Elo — Q​wen a 1.264 (#7), il nuovo modello di Mistral a 1.217 (#13) — e i loro prezzi sono 19,31 $ e 13,00 $ per milione di caratteri. Nessuno dei due divari è decisivo. Ciò che è decisivo è che il modello di A​libaba è stato costruito attorno al cinese, comprese venti regioni dialettali e ottantasei tag inline di resa, mentre quello di Mistral è stato costruito attorno alle ventiquattro lingue ufficiali dell'Unione europea. Se il tuo prodotto parla mandarino, cantonese o hokkien, la questione si risolve con la lista delle lingue. Se parla portoghese, polacco o olandese, si risolve anche lì, nella direzione opposta. I fallimenti dell'IA e gli incidenti degli agenti documentati che stanno dietro a rilasci come questo sono raccolti nell'OrcaRouter AI Incident Archive dove ogni voce riporta le proprie fonti, gravità, livello di confidenza e indicatore di contestazione.

I numeri, e quanto peso hanno

• Voice Elo del provider — Q​wen-Audio-3.0-T​TS-Plus: 1.264. Voxtral 3 T​TS: 1.217. Entrambi secondo Artificial Analysis, 21 ottobre 2026.

• {{1}}Elo vocale controllato{{/1}} — Q{{2}}wen-Audio-3.0-T{{/2}}TS-Plus: 1,125 (#7). Voxtral 3 T{{3}}TS{{/3}}: 1,066 (#14). Il divario si allarga da 47 a 59 punti una volta che entrambi vengono clonati sulle stesse otto voci di riferimento, il che significa che il vantaggio di A{{4}}libaba{{/4}} è nel motore di sintesi, non nella sua libreria vocale.

• Prezzo per 1 milione di caratteri — {{1}}$19.31{{/1}} per Q​wen-Audio-3.0-T​TS-Plus, {{2}}$13.00{{/2}} per Voxtral 3 T​TS. A circa 900 caratteri per minuto di parlato, equivale a {{3}}$1.04{{/3}} contro {{4}}$0.70{{/4}} all'ora.

• Lingue — A​libaba: 16 lingue più 20 regioni dialettali cinesi. Mistral: 35+ lingue e 50+ dialetti, con preset in 18 lingue.

• Clonazione vocale — A​libaba: clonazione tramite audio di riferimento, incluso il trasferimento timbrico interlinguistico. Mistral: adattamento "Pro Voice" da 30 minuti di audio. Nessuno dei due offre la clonazione istantanea in dieci secondi che Cartesia vende.

• Pesi — chiusi su entrambi i lati. Entrambi sono prodotti esclusivamente API.

• Latenza — A​libaba pubblica separatamente un valore di streaming relativo al primo carattere per i suoi modelli di riconoscimento e per un modello vocale in tempo reale; Mistral non pubblica alcun tempo al primo audio per Voxtral 3 T​TS. Nessuno dei due numeri è confrontabile tra fornitori e, per la sintesi, nessuno dei due è una misurazione indipendente.

Un'avvertenza sui punteggi Elo: Voxtral 3 TTS era nella classifica da un solo giorno quando sono stati letti questi dati, con 1.619 confronti rispetto ai 2.399 di Qwen. Un divario di 47 punti all'interno di intervalli di confidenza sovrapposti con quella numerosità campionaria è un'indicazione, non un verdetto. Leggilo come «Qwen è probabilmente un po' avanti» anziché come un 47 misurato.

Dove vince il modello di Alibaba, e non si tratta di una vittoria marginale

La copertura cinese è la prima e più grande differenza, e vale la pena essere precisi su cosa significhi "20 regioni dialettali". La linea vocale di Alibaba è pensata per un mercato interno in cui un'unica lingua scritta corrisponde a un parlato che un modello addestrato solo sul mandarino gestisce male: cantonese, sichuanese, wu, minnan e altre ancora. Qwen-Audio-3.0-TTS-Plus supporta nativamente queste regioni, e la generazione 3.1 di Alibaba ha aggiunto il trasferimento timbrico interlinguistico — una sola voce mantenuta tra mandarino, cantonese, inglese e giapponese — che è la funzione che conta se stai localizzando un singolo presentatore invece di fare casting per ogni mercato.

Il secondo è il controllo della resa a livello di token. Q​wen-Audio-3.0-T​TS-Plus ha ereditato un insieme documentato di 86 tag inline di resa dalla sua generazione, consentendo a uno script di veicolare marcatori di emozione, ritmo ed enfasi direttamente nella trascrizione. Il Voxtral 3 T​TS di Mistral espone il controllo a livello di prompt di emozione, ritmo ed enfasi, oltre alla pronuncia a livello di fonema e a una libreria lessicale — paragonabile nell’intento, ma il vocabolario di tag di A​libaba è il più granulare dei due sulla carta.

Il terzo è che A​libaba ha rilasciato un fratello più economico. L'aggiornamento 3.1 ha reso T​TS uno SKU di fascia Flash, quindi un team che trova la fascia 3.0-Plus troppo costosa ha un percorso di downgrade documentato all'interno dello stesso fornitore, a un prezzo più o meno uguale a quello di Voxtral 3 T​TS. La risposta di Mistral a «più economico, per favore» è lo stesso modello o un fornitore diverso.

Dove il modello di Alibaba è più debole è altrettanto chiaro: 16 lingue sono una mappa esigua. Se il tuo catalogo è in polacco, turco, vietnamita o portoghese, Qwen-Audio-3.0-TTS-Plus non ti copre e nessun punteggio Elo può colmare questa lacuna.

Dove Voxtral 3 T​TS vince

Ampiezza linguistica al di fuori dell'Asia, senza giri di parole. Oltre trentacinque lingue con più di 50 dialetti dichiarati e una famiglia pensata per gli appalti europei: Mistral dichiara tutte le 24 lingue ufficiali dell'UE nei modelli di trascrizione e negli endpoint API UE, USA e globali, con il self-deployment su infrastruttura privata per gli acquirenti che devono controllare dove vengono elaborati gli audio e se vengono conservati. Per un acquirente europeo del settore pubblico o sanitario, non è un fattore che fa pendere la bilancia: è un requisito.

Il secondo è lo stack circostante. Voxtral 3 TTS non viene venduto come endpoint isolato: arriva con un SDK per agenti basato su LiveKit che supporta SIP, WebRTC e IVR, una dichiarazione di latenza per turno dell'agente inferiore a un secondo e un prezzo al minuto per l'intero ciclo — 0,04 $ con il reasoning di Mistral Small 4, 0,08 $ con un diverso modello di reasoning. Anche Alibaba ha un modello vocale in tempo reale, ma quello di Mistral è documentato come proposta di bundling con un valore pubblicato al minuto, il che rende più facile costruire un business case rispetto a un listino prezzi per token.

Il terzo è il prezzo, di stretta misura. 13 $ contro 19,31 $ è uno sconto del 33%, e su larga scala è un numero concreto: diecimila ore al mese equivalgono a circa 7.000 $ contro 10.400 $. Non è un evento di riprezzamento, ma non è neppure nulla.

Qui il caso del routing è più solido rispetto alla maggior parte degli abbinamenti.

La maggior parte degli articoli che confrontano modelli si conclude con «scegline uno». Questa coppia è un vero problema di portafoglio, perché le due mappe di copertura si sovrappongono appena ai margini ed entrambe sono abbastanza economiche da poter essere eseguite affiancate. Una piattaforma europea di e-commerce che racconta le pagine prodotto in otto lingue dell’UE e serve anche una clientela di lingua cantonese ha bisogno di entrambe. Lo stesso vale per una società di doppiaggio che lavora a una serie con dialoghi in mandarino e sottotitoli in francese.

La parte scomoda di gestire entrambi non è la scelta del modello, ma l'infrastruttura: due fornitori, due schemi di autenticazione, due rapporti di fatturazione, due insiemi di modalità di errore. OrcaRouter esiste esattamente per questa situazione — una chiave compatibile OpenAI per oltre 200 modelli, il prezzo di listino del fornitore passato senza ricarico allo 0%, così un cambio di prezzo del fornitore è attivo lo stesso giorno, e un DSL di routing che può inviare una richiesta con tag di lingua al modello che copre quella lingua. Né Voxtral 3 T​TS né Q​wen-Audio-3.0-T​TS-Plus sono nel catalogo di OrcaRouter al momento in cui scriviamo, e un'unica API per oltre 200 modelli è un'affermazione sul catalogo che gestiamo effettivamente, non su questi due — oggi entrambi si raggiungono tramite le API dei rispettivi fornitori e diverse piattaforme di terze parti. Il punto di progettazione resta valido comunque: se la tua matrice linguistica richiede due fornitori, vuoi che la separazione risieda in una regola di routing anziché in due percorsi di codice.

Ciò che nessuno dei due fornitori ha pubblicato

Tre lacune, e sono le stesse tre in entrambi i casi, il che dice qualcosa su quanto sia ancora giovane questo segmento del mercato.

Nessun punteggio per lingua. Entrambi i valori Elo sono aggregati. Un modello può trovarsi a 1.264 complessivo ed essere eccellente in mandarino e mediocre in francese; la classifica non può dirtelo, e nessuno dei due fornitori pubblica una ripartizione per lingua. Per qualsiasi decisione che dipenda dalla qualità in una lingua specifica, l'unico test affidabile è il proprio corpus, letto da un madrelingua a cui non venga detto quale modello abbia prodotto quale campione.

Nessun dato sulla resistenza di formato lungo. Le clip di Arena durano secondi. Nessuno dei due modelli documenta una lunghezza massima di generazione per il proprio endpoint TTS, e nessuno dei due ha un test pubblicato di coerenza su dieci minuti — la lunghezza alla quale un audiolibro funziona o non funziona. La generazione 3.1 di Qwen ha spostato la generazione di scene di formato lungo in un modello separato -Next anziché estendere l'endpoint TTS, il che è un'ammissione implicita che il modello di base non è lo strumento per il formato lungo.

Nessuna misurazione indipendente della latenza. Mistral non pubblica nulla per la sintesi di Voxtral 3 T​TS; A​libaba pubblica dati forniti dal produttore. Artificial Analysis riporta una velocità mediana di 112 caratteri al secondo per Voxtral 3 T​TS, ma non per Q​wen-Audio-3.0-T​TS-Plus nella stessa pagina. In un agente vocale in tempo reale, il tempo al primo audio determina l’esperienza del prodotto più di quanto faccia Elo, ed è il dato meno documentato della categoria.

La divisione onesta

Scegli Q​wen-Audio-3.0-T​TS-Plus se il prodotto parla cinese — mandarino con accenti regionali, cantonese o code-switching tra cinese e inglese — oppure se hai bisogno di tag di resa granulari all'interno della trascrizione e desideri un fornitore con un livello più economico documentato sotto il flagship. Costa il 48% in più rispetto a Voxtral ed è misurabilmente avanti su entrambe le classifiche; per un lavoro incentrato sul cinese, sono soldi ben spesi.

Scegli Voxtral 3 T​TS se il prodotto parla lingue europee, se la residenza dei dati nell'UE è un requisito di approvvigionamento oppure se stai sviluppando un agente vocale e desideri la sintesi integrata con un SDK per agenti e un prezzo pubblicato al minuto. Rinunci a 47 Elo e ottieni una mappa linguistica che copre i mercati in cui vendi.

Scegli entrambi — e fai routing tra di essi — se il tuo pubblico è davvero distribuito su entrambe le mappe. In una lettura Elo per dollaro, i due sono abbastanza vicini che il pareggio dovrebbe essere risolto sulla copertura, non sul punteggio, e un prodotto con clienti a Guangzhou e Danzica non ha un'unica risposta giusta.

La cosa da tenere d'occhio è se uno dei due fornitori pubblica una ripartizione per lingua. Nel momento in cui uno dei due lo farà, questo confronto smetterà di essere una discussione sulle mappe e diventerà una discussione sulle misurazioni, che è una discussione migliore da fare.