AssemblyAI-TTS-1 対 Qwen-Audio-3.0-TTS：タイトルにあるモデルは購入すべきものではない

この比較で名前が挙がっているのはQwen-Audio-3.0-TTSですが、これは数字を引用する前に修正しておく価値のある問題です。アリババは2026年9月23日、Apsara ConferenceでQwen-Audio-3.1シリーズを発表し、Qwen-Audio-3.1-TTS-Plusを自社のTTSラインの最上位に据えた時点で、3.0を旗艦音声モデルの座から退かせました。つまり、この対決を正直にまとめると2モデルではなく3モデルになります — AssemblyAI-TTS-1、すなわち2026年10月27日に一般提供が開始された、100万文字あたり15ドルのクローズドなエンドポイントと、Qwenの音声スタックの両世代との比較です。そして答えは、実際にどちらのQwenを指していたかによって変わります。契約書、統合、あるいは調達メモに3.0と書かれていれば、次のセクションを読んでください。3.1と書かれていれば、飛ばして構いません。

まず、訂正です。3.0は現在のQwenではありません。

Qwen-Audio-3.0-TTSは2026年7月20日に2つのティアでリリースされた。Flashはリアルタイム用途向けに設計され、初回パケット遅延は約300 ms。Plusは品質重視ティアで、Alibaba Cloud Model Studio経由で100万文字あたり27.59ドルだった。このファミリーは16言語と中国語の20方言地域をカバーし、[angry]や[giggles]など86個のインライン制御タグと自由形式の自然言語によるスタイル指示をサポートし、ノイズに強いゼロショットクローニングを行い、48 kHzで出力し、1回の処理で最大3分を合成する。クローズドかつホスト型のみの提供で、オープンウェイトはない。これはAlibabaの以前のオープンウェイトQwen3-TTSからの意図的な方針転換だった。

10週間後、3.1スタックがASR、TTS、TTS-Next、リアルタイムの各領域でそれに取って代わりました。3.1のTTSティアは同じ8音声のラインナップを備え、Artificial Analysisの価格欄では100万文字あたり$19.3と表示されており、9月下旬以降のQwen比較のほとんどが実際に指しているのはこのエントリです。実務的には、すでに統合済みなら3.0も引き続き呼び出せますが、新規購入者が提示されるのは3.1であり、3.0の7月のスコアを10月のローンチと並べてその旨を明記しない記事は、古い比較を売り込んでいるにすぎません。

ボードは、三者すべてのために一度だけ読み取られる

Artificial AnalysisのProvider Voice Arena（2026年10月30日時点）なので、以下の各行すべてに同じ一つの指標を用います：

• Qwen-Audio-3.1-TTS-Plus — 3位、1,305 Elo、2,281サンプル、2026年9月リリース。

• Qwen-Audio-3.0-TTS-Plus — 7位、Elo 1,269、2,794サンプル、2026年6月～7月にリリース。

• AssemblyAI-TTS-1 — 第14位、Elo 1,227、1,632サンプル、2026年10月リリース。

• ElevenLabs Eleven v4 Turbo と Eleven v4 は 1,336 と 1,334 で 1 位と 2 位に位置しており、これはこの記事が扱う主題ではない参照点です。

AssemblyAI-TTS-1と現在のQwen TTSティアの間にある78ポイントの差は実際に存在するが、この対戦で最大の差ではない。ElevenLabsは同じ測定でQwenより31ポイント、AssemblyAI-TTS-1より109ポイント高い。より重要なのは、公開から4日しか経っていないモデルについての1,632サンプルの行は証拠として薄く、そのボードの信頼区間は十分に広いため、モデルに何も変化がなくても再実行によってAssemblyAI-TTS-1が数順位動く可能性があるということだ。

1秒あたり16文字が、これを左右する数字です

Qwenの比較でほとんど誰も含めない測定項目がこれで、AssemblyAI-TTS-1が作られた用途にとって重要なのはまさにこの項目です。

Artificial Analysisは、AssemblyAI-TTS-1の合成速度を毎秒162文字と測定しています。同じ方式の測定では、Qwen-Audio-3.0-TTS-Plusは毎秒約16文字を生成し、アリーナ上位に近いモデルの中では最も遅いモデルです。3.1ティアではそれが改善されましたが、生成速度は依然としてこのファミリーの強みではなく弱い軸です。

では、実際に稼働するエージェントが気にする唯一の単位に換算しましょう。通常の音声は毎分約900文字、つまり毎秒15文字で流れます。毎秒16文字を生成するモデルは、丸め誤差の範囲でリアルタイム係数1.0です。つまり、1本の再生ストリームにぎりぎり追いつける程度で、追加のハードウェアなしに2つの同時会話を処理することはできません。毎秒162文字のモデルは、同じ計算資源1単位あたり約10ストリーム分の余裕があります。

それはEloの差の捉え方を変える。78ポイントのブラインド選好での劣位は、自社のコーパスで答えられる品質上の問いだ。10倍のスループット不足は、請求書として届くキャパシティの問題である。なぜなら、解決策は同時接続の呼び出し元あたりのGPU秒数を増やすことであり、Alibabaのホスティング価格設定では、それは自分で動かせるレバーではないからだ。

どちらの注意点も率直に述べます。これは1つの計測器で測った2社であり、管理された直接対決ではありません。生成スループットはハードウェア、バッチ処理、シーケンス長に依存します。また、Qwenの12.5 Hz音声トークナイザーは、通常の50〜75 Hzと比べて意図的に低く設計されており、Flashティアで最初のパケット遅延を約300 msに抑えているのはこのためです。Qwenは最初の音が出るまでの遅延を最適化しました。AssemblyAIはターンが始まってからの1秒あたりの文字数を最適化しました。これらは異なる方向への賭けであり、電話エージェントはその両方を体感します。

言語と制御タグは、Qwenがまだ打ち負かされる気配のない分野です。

スループットの論点がコールセンターの件を決するなら、言語の論点が他のすべてを決する。しかも、それは微妙な話ではない：

• 対応範囲 — Qwen-Audio-3.0-TTSは16言語と中国の20の方言地域に対応しています。AssemblyAI-TTS-1は6言語（英語、スペイン語、フランス語、ドイツ語、イタリア語、ポルトガル語）と、各言語内の複数のアクセントを備えてリリースされました。

• 方向性 — Qwen は 86 個のインライン制御タグに加え、自由形式のスタイルプロンプトを公開しています。AssemblyAI-TTS-1 にはローンチ時点で感情タグ、SSML、速度パラメータ、発音辞書がなく、同社の投稿によれば、表記された非流暢表現は演じられるのではなく、書かれたとおりに読み出されます。

• クローニング — Qwenはノイズに強いゼロショットクローニングを行い、AssemblyAIは24秒のサンプルからの即時クローニングを話者許可の確認ステップ付きで行います。どちらもトレーニング済みのプロフェッショナル向けクローンティアは提供しておらず、それはElevenLabsの製品であって、QwenやAssemblyAIのものではありません。

• 出力 — Qwen は 48 kHz で、1回の処理あたり最大3分という上限で音声を合成します。AssemblyAI は 8～48 kHz の PCM、µ-law、A-law をストリーミングし、単語タイムスタンプとバージインキャンセルメッセージを提供します。これは、テレフォニースタックが実際に必要とする基盤部分です。

• オープン性 — どちらも重みを公開していない。両方ともホスト型のみ、リージョン内、ベンダー価格設定。

この表から読み取れることは明快だ。AssemblyAI-TTS-1は多言語製品ではなく、そう見せているわけでもない。エージェントが日本語、韓国語、中国語（標準語）を話す必要があるなら、答えはQwenファミリーであり、この記事はそこで終わりだ。エージェントが英語話者の顧客と英語で話し、時々スペイン語も使う程度なら、6言語で十分であり、Qwenの機能一覧は、あなたのプロンプトでは決して使われない機能のために費用を払っていることになる。

1時間あたりの料金、3つの方法

このシリーズの他のすべての箇所と同じ推定——1分あたり約900文字の音声、つまり1時間あたりおよそ54,000文字——を用いると、音声合成の1時間あたりのコストは次のとおりです：

• AssemblyAI-TTS-1 — 100万文字あたり15ドル、すべての音声・言語・クローニングを含み、追加料金なしで無制限の同時実行：音声1時間あたり約0.81ドル。

・Qwen-Audio-3.0-TTS-Plus — Alibaba Cloud Model Studio で100万文字あたり27.59ドル、1時間あたり約1.49ドル。

• Qwen-Audio-3.1-TTS-Plus — Artificial Analysis の記録によると100万文字あたり19.3ドル：1時間あたり約1.04ドル。

ボード上でご自身の目で確認できる不一致にご注意ください。Artificial AnalysisはQwenの両世代を100万文字あたり19.3ドルと記載していますが、AlibabaのModel Studioの3.0-Plusのカードには27.59ドルと書かれています。これは2つの指標、すなわちベンダーの定価とボード側の正規化であって、コミット済みボリューム料金が話に加わった後に実際に受け取る請求書はどちらでもありません。上記の時間単位の数値は、それぞれ表示されているとおりの数値を用いています。したがって、3.1のレートは比較単位として、3.0のレートは定価に最も近いものとして扱ってください。

AssemblyAIは3つの中で最も安価で、現在のQwenティアに対して22%、この記事のタイトルにあるティアに対して45%安い。しかし、お金がかかるのは価格の列ではない。お金がかかるのはスループットの列だ。なぜなら、リアルタイムファクター1.0で動作するモデルは、毎秒162文字で動作するモデルに比べて、同時接続の通話者あたり約10倍のハードウェアを必要とするからだ。そして、ホスト型の文字単位課金は、その乗数をプロバイダーのキャパシティプランニングの中に隠し、ピーク時にスロットリングやレイテンシとして表面化するまで見えなくしてしまう。

ここでルーターが実際に追加するもの

この判断に直面するチームにとって現実的なデプロイは、どちらか一方のモデルだけではありません。英語のターンは安価で高速なエンドポイントへ、非英語のターンはQwenティアへと、呼び出し元の言語に応じて切り替えるのです。これはモデルの問題ではなく、ルーティングの問題です。それが、OrcaRouterがスタックの残りの部分に対してカバーするレイヤーです：200以上のモデルに対応し、プロバイダー定価でマークアップ0%の単一API、プロバイダーが劣化した際の自動フェイルオーバー、そして複数のモデルを単一のエンドポイントの背後に構成するルーティングDSLであり、複数の契約や複数のSDKを必要としません。

それが何を意味し、何を意味しないかを正確に述べると、現時点では AssemblyAI-TTS-1 も Qwen-Audio TTS のどのティアも OrcaRouter のカタログにはありません。当社がルーティングする音声モデルは、OpenAI の tts-1、tts-1-hd、gpt-4o-mini-tts と、Google の Gemini TTS プレビューです。したがって、ルーティングに関する議論が当てはまるのは、あなたの TTS が読み上げる文を書く言語モデルと、後から追加される、当社が実際に取り扱う音声モデルであり、これら2つではありません。

この比較は実際には誰に向けたものなのか

Qwen-Audio-3.1-TTS-Plus を購入してください — 3.0 ではなく — エージェントが6か国語以上を話す必要があるなら、単なる読み上げではなく演出指示に沿ったパフォーマンスが必要なら、あるいはすでに Alibaba Cloud の環境内にあり契約が制約になっているなら。ブラインドボードでは3位、料金は1時間あたり $1.04、そして契約する前に自社の同時実行目標と照らし合わせてテストすべきなのはその生成速度です。

ワークロードが大量の英語主体の電話会話であるなら、{{1}}AssemblyAI-TTS-1{{/1}}を購入してください。一律15ドルの料金、追加料金なしの無制限同時実行、毎秒162文字分の処理余力、単語タイムスタンプとバージイン取消機能の標準搭載、そしてベンダー主張の90 msと比較検討できる独立計測による159 msの遅延を備えています。10言語、86個の制御タグ、辞書で発音を誤った略語を修正する能力を諦めること、そして最も弱い独立サブスコアである短縮表記展開の73.8%が、まさに通話者が気づく失敗であることを受け入れてください。

避けるべき過ちは、この記事のタイトルが誘うものだ。10月の意思決定で7月のモデルのスコアを引用し、統合時に、引用したティアこそがそのモデルに取って代わったものだと気づくことである。何かと比較する前に、実際に販売されているQwenがどれなのかを確認しよう。