Dessa vs Qwen3.8-Max：出力トークン6ドル対、価格のないモデル

Qwen3.8-Maxは入力100万トークンあたり2.00ドル、出力100万トークンあたり6.00ドルを請求します。Dessaは何も請求しません。なぜならBlockはそれを販売も、ホスティングも、リリースもしていないからです。これはDessaを貶すものではなく、まさにこの比較のすべてです。一方のモデルは価格が付けられ、呼び出し可能で、独立して評価されたフラッグシップであり、もう一方は2026年10月23日に発表された、ウェイトリストとデモページを備えた音声研究のプレビューです。両者を並べることが有用なのは、まさにそれらが同じ製品上の問いの両極に位置するからです。ユーザーに声を与えるにはいくらかかるのか、という問いです。

Qwen3.8-MaxはAlibabaのホスト型フラッグシップモデルで、2026年8月3日に発表された。2.4兆パラメータのスパースなmixture-of-expertsモデルであり、トークンあたり約950億パラメータがアクティブになる。DessaはBlockの全二重音声対音声モデルで、テキストも事前学習済みモデルも使わず、人間の会話のみをゼロから学習している。一方は100万トークンのテキストを読み、推論する。もう一方は聞きながら同時に話す。どちらも相手の仕事はできず、今日呼び出せるのは一方だけだ。

各モデルが実際に何のためにあるのか

Qwen3.8-Maxは汎用の推論・生成エンジンです。テキスト、画像、動画を入力として受け取り、テキストを返します。コンテキストウィンドウは約100万トークン、最大出力は131,072トークンで、思考モードでは最大262,144トークンをチェーン・オブ・ソートに費やせます。Alibaba自身のベンチマーク表はフロンティア推論とエージェント的作業を対象としており、GPQA Diamond 92.6、PaperBench 93.0、OSWorld 86.1、BabyVision 82.0という数値はいずれもベンダー報告によるものです。独立系のArtificial Analysisは、同モデルを自社のIntelligence Indexで45と評価し、毎秒42.4出力トークンと測定しています。

Dessaは会話型インターフェースです。音声ストリームを受け取り、その間にテキストを挟まずに音声ストリームを返します。さらに全二重方式であり、話しながら聞くことができます。Blockのデモでは、相槌を打ったり、文の途中で笑ったり、音量を合わせたり、話し手が忘れた映画タイトルを補完したりする様子が示されています。トークン・インターフェースが存在しないため、ベンチマーク表もパラメータ数もコンテキストウィンドウもありません。

これらは一つの問いに対する競合する答えではない。音声製品が順を追って問わなければならない二つの問いへの答えである。つまり、システムはどのように理解するのか、そしてどのように話すのか。

数字、そしてデッサのがあるべき穴

以下のQwenの数値はすべて、Alibabaが公開している価格設定およびモデルに関するドキュメント、またはArtificial Analysisによるもので、それぞれに応じてラベル付けされています。Dessaの数値はすべて、Blockの発表ページによるものですが、そこではごくわずかな情報しか公開されていません。

• 価格 — Qwen3.8-Max は100万トークンあたり入力 $2.00、出力 $6.00 であるのに対し、Dessa は価格なし。

• キャッシュされた入力 — Qwen3.8-Max は100万トークンあたり$0.25、Dessaは該当なし。

• パラメータ — Qwen3.8-Max は合計 2.4T、約 95B がアクティブ、それに対して Dessa は非公開。

• コンテキスト — Qwen3.8-Max 約1,000,000トークン；Artificial Analysis は984kと記載、Dessaについては明記なし。

• 最大出力 — Qwen3.8-Max 131,072トークン 対 Dessa は該当なし（出力が音声のため）。

• モダリティ — Qwen3.8-Max はテキスト・画像・動画を入力してテキストを出力するのに対し、Dessa は音声を入力して音声を出力します。

• 独立スコア — Artificial Analysis Intelligence IndexにおけるQwen3.8-Maxは45、Dessaはなし。

• ベンダーのベンチマーク — Qwen3.8-Max は GPQA Diamond 92.6、OSWorld 86.1 であるのに対し、Dessa には定量的な主張が一切ありません。

• 提供状況 — Qwen3.8-Max は2026年8月以降、有料APIとして提供されているのに対し、Dessa はウェイトリストと少数の安全性研究者向けプレビューにとどまっています。

• {{1}}ライセンス — Qwen3.8-Max はホスト型の商用APIで、独自の条件に基づく別個のオープンウェイトリリースを伴うのに対し、Dessa はライセンスが公開されていません。{{/1}}

聞くこともあれば、読むこともある

モダリティのギャップは、スペック比較では見落とされがちな部分です。Qwen3.8-Maxはテキスト、画像、動画を入力として受け付け、テキストを出力します。音声は入力モダリティに含まれておらず、音声を出力することも一切ありません。Qwen3.8シリーズには音声対音声モデルは存在しません。

つまり、Qwen3.8-Max 上に構築された音声製品は必然的にパイプラインになる。音声認識が発信者の音声をテキストに変換し、Qwen3.8-Max がそのテキストを推論し、音声合成が応答を再び音声に変換する。各段階は別々のベンダーであり、別々の障害モードであり、請求書の別々の明細行である。パイプラインは機能する——今日の本番環境におけるほとんどの音声エージェントはこのように構築されている——が、Dessa のアーキテクチャが取り除くために設計されている構造的コストがある。

Dessaの構造上の利点は知能ではない。確定すべき文字起こしが存在しないことにある。パイプラインは応答する前に、あなたが話し終えた時点を判定しなければならないが、双方向モデルにはそれが不要だ。だからこそBlockのデモでは発話の重なりや割り込みを示すことができ、パイプラインは、単語の途中でシンセサイザーを取り消すエンドポイント検出とバージインのロジックによって、そうした振る舞いを偽装しなければならない。

Qwen3.8-Maxでライブ音声エージェントを運用すると実際にいくらかかるのか

計算は、料金表から想像されるよりも心強い。10分間の音声会話はおよそ1,500語になり、システムプロンプトと会話履歴を含めると、入力は約2,000トークンになる。同程度の長さの返答は、エージェントが簡潔であれば出力約1,000トークンだ。100万トークンあたり$2.00と$6.00なら、入力$0.004、出力$0.006 — 10分の通話あたりの言語モデル費用はおよそ1セントになる。

1日10,000件の通話では、言語モデルの請求額は1日約100ドル、つまり月額およそ3,000ドルです。これは決して無視できる額ではありませんが、同じ量の音声認識と音声合成の請求額よりはほぼ確実に小さく、オーケストレーション層のエンジニアリングコストよりも小さいでしょう。トークンが高いから音声も高いという直感は、現在の価格では誤っています。音声が高いのは、音声入力と音声出力が高いからであり、パイプラインのレイテンシが各段階の合計だからです。

100万トークンのコンテキストは、エージェントが保持できるものを変える。10分の通話はそのウィンドウに対しては丸め誤差にすぎず、つまりシステムは検索なしで完全なトランスクリプト、顧客のファイル、ポリシー文書を同時に保持できる。これはDessaがまったくインターフェースを持たない能力だ——音声専用モデルはポリシー文書を読めない。

レイテンシ予算こそが、アーキテクチャが分岐するポイントです。

パイプラインでは、ユーザーが話すのをやめ、認識器がエンドポイントを待ち、言語モデルが最初のトークンを生成し、合成器が最初の音声を生成する。各段階をストリーミング化すればその一部は隠れるが、連鎖にはなお下限があり、バージインとは合成器を破棄して認識器を再起動することを意味する。その結果が、おなじみの音声アシスタントのリズム、つまり間、応答、また間、というものだ。

Dessaの主張は、連鎖が存在しないためにリズムが失われるというものだ。Blockは、推論はMacBook Pro M4 Max上でリアルタイムより速く実行されると述べており、それが事実ならモデルはボトルネックではないことになる。しかし同社は、ミリ秒単位のレイテンシ値も、中断からの復帰率も、ネットワークや背景騒音下での測定値も公表していない。「リアルタイムより速い」はスループットに関する記述であり、応答性に関する記述ではない。モデルは再生より速く音声を生成できても、中断に反応するのに800ミリ秒かかることがあり得る。

製品チームにとって、その欠けている数字がすべてを決める。デュプレックスモデルを採用する理由はタイミングにある。タイミングを公表しないベンダーは、まだその妥当性を示せていない。

可用性、ルーティング、そして月曜日にできること

Qwen3.8-MaxはOrcaRouterのカタログに掲載されています。つまり、当社がルーティングする200以上のモデルと同じキーで利用でき、マークアップは0%——プロバイダーの定価をそのまま適用——であり、プロバイダー間の自動フェイルオーバーも備わっています。Alibabaが料率を変更しても、値付けし直すマークアップ層が存在しないため、その変更は当日中に当社側でも反映されます。ルーティングDSLを使えば、Qwen3.8-Maxをより安価なモデルと組み合わせてトランスクリプトの大部分を処理させ、推論ステップにはフラッグシップモデルを取っておくことができます。回答がコストよりも重要な場合には、モデルフュージョンによって同じ質問に対して複数のモデルをパネルとして実行できます。

フラッグシップが用途に対して過剰なら、同じファミリーにもっと安価な選択肢があります。Qwen3.8-27Bは当社のカタログに掲載されており、入力100万トークンあたり$0.33、出力$2.40、Qwen3.8-Flashは$0.15と$0.47です。言語モデルコストがすでに1コールあたり約1セントの音声エージェントなら、フラッグシップは手頃です。より安価な階層は、より高いボリュームやより単純なターンで重要になります。

Dessaは当社のカタログにはなく、当社がホストしているものでもありません。Blockのページでは、少人数の安全研究者向けにウェイトリストと早期アクセスが提供されています。ルーティングするAPIも、引き継ぐ価格も、フェイルオーバー先のエンドポイントもありません。

Dessa が答えを変えるとき

Blockが妥当な価格でAPIを提供すれば、比較はトークンではなく分単位になる。適切な指標は、Dessaが取り除く音声認識と音声合成を含む、自然な会話1分あたりのコストだろう。その指標では、たとえ1分あたり数セントでも、デュプレックスモデルは音声段階が言語モデルより高コストなパイプラインを上回り得る。

第2の条件は品質だ。30秒は心地よくても、5分後には混乱してしまう双方向モデルは、遅くても信頼できるパイプラインより悪い。Blockのデモは短すぎ、作り込みすぎていて、その問いには答えられない。そして同社自身が掲げる未解決の問い——事実の保持、言語学習、文脈内学習——こそ、長い会話が一貫性を保てるかどうかを決めるものだ。

今何をすべきか

音声製品はパイプライン上に構築せよ。価格と契約があるのはそれだけだからだ。強力な認識器と合成器を使い、推論が行われる中間にQwen3.8-Maxを置き、言語モデル層は差し替え可能にしておく。そうすれば、価格が動いたときに高コストな部分を移せる。その後、双方向モデルを中心に再構築する根拠となる2つの数字に注目せよ。公表されたレイテンシ値と、1分あたりの価格だ。

一言で比較すると、Qwen3.8-Maxは今日買えるもので、Dessaは明日買いたくなるかもしれないものだ。両者の差は知能ではない。料金表であり、エンドポイントであり、ベンチマークだ。つまり、Blockがまだ公表していない3つのものであり、Alibabaが生業として公表している3つのものだ。