GPT-Live-1 対 Qwen-Audio-3.1：本当に取り組む価値があるのはフルデュプレックスの戦いだ

この比較を書く明白な方法は音声1時間あたりの価格であり、それは間違った方法だ。Q​wen-Audio-3.1-TTSは、Artificial Analysisの換算で100万文字あたり$19.30で音声を生成する——1時間のG​PT-Live-1の音声時間が1分あたり$0.05でかかる費用のおよそ5分の1だ——そしてその数字は今月、調達資料に載ることになる。そうすべきではない。なぜならQ​wen-Audio-3.1は1つのモデルではないからだ。それはA​libabaが2026年9月23日に杭州のApsara Conferenceで発表した5モデルの刷新版であり、その5つのうちの1つ、Q​wen-Audio-3.1-Realtimeは、G​PT-Live-1が果たすのと同じ役割を果たす。それこそが、実際の意思決定を内包する対決であり、A​libabaはその価格を約85%削減した。

2つの家族、並べて

Alibabaの刷新は、合成、認識、リアルタイム会話、音声理解を網羅し、値下げはライン全体に及んだ。合成は約70%減、リアルタイムは約85%減、認識は最大95%減。各ティアは相互に置き換え可能ではなく、それぞれに独自の価格と役割がある。

• Qwen-Audio-3.1-TTS — 合成の後継モデル。今回のリリースで追加された7言語を含む16言語に対応し、中国語の20の方言地域を維持。感情、ペース、話し方を指示で制御でき、北京語、広東語、英語、日本語をまたいで一つの声を保つ自然な言語間音色転送を実現します。

• Qwen-Audio-3.1-TTS-Next — 見慣れた名前をまとった別の製品。Alibaba はこれをオーディオ生成モデルと呼んでいる。テキスト、タイムスタンプ、参照音声から、音声、効果音、背景アンビエンスを一度に生成し、複数話者の対話と 48 kHz 出力に対応する。Alibaba Cloud の Model Studio ドキュメントによると、最大 3,000 文字の入力を受け付け、生成音声はポッドキャストで 240 秒、それ以外では 120 秒に制限され、毎秒 3 リクエストで動作し、WAV、MP3、PCM を返す。

• Q​wen-Audio-3.1-Realtime — 全二重の対話に対応し、A​libabaがハードウェアへと押し進めているモデル：Q​wen Office、Qoder、QwenNote A2、デスクトップロボットのQwenNote Eva、そしてQ​wen AIグラス。

• Qwen-Audio-3.1-ASRおよびASR-Next — 認識、および感情・音楽・環境音・イベント定位をカバーする音声理解。

GPT-Live-1 は単一の製品であり、ファミリーではありません。全二重音声セッションで、音声とテキストの入力、音声とテキストの出力に対応し、画像と動画は非対応、知識カットオフは2025年7月31日、提供はv1/live/sessions経由のみです。Chat Completions、Responses、Realtime、Batch はすべて対象外です。ストリーミングに対応し、関数呼び出しをサポートします。構造化出力とファインチューニングはサポートされていません。アーキテクチャは分離構成です。GPT-Live が会話を担当し、委任されたバックエンドモデルまたはエージェントが推論とツールを担当します。その委任は、OpenAI モデルによる Responses 委任か、独自のサービスへのクライアント委任のいずれかを通じて行われます。

つまり、正直な比較はTTS対TTS、Realtime対Liveだ。この2つの部分は価格設定がまったく異なる。

レンダリングの部分：Qwenが本当に反論しにくいところ

ナレーション、ドキュメンタリー音声、IVRプロンプト、動画のボイスオーバーなどがワークロードなら、Qwen-Audio-3.1-TTSは有力なデフォルト選択であり、価格の引き下げによってさらに魅力的になりました。

• 独立した順位 — Artificial AnalysisのProvider Voice ArenaでElo 1,296。Elevenの2エントリー（1,330と1,329）に次ぐ参加モデル中3位で、Cartesia Sonic 3.6（1,285）、Gemini 3.8 Flash TTS（1,275）、Qwenの前世代（1,265）、Realtime TTS-2（1,262）を上回る。

• Controlled Voiceの順位 — Elo 1,186、クローン音声ボードで2位、1,202のHeyGen Voiceに次ぐ。サンプル数は1,856、HeyGenは1,482。

• アリーナの換算における価格 — 100万文字あたり$19.30、Eleven v4 Turboの$40.00、Gemini 3.8 Flash TTSの$16.5、Cartesia Sonic 3.6の$49.0に対して。

• 対応範囲 — 16言語、中国語の20方言地域、言語間の音色転送、指示に基づく感情および話し方の制御。

• 音声ライブラリ — TTS-Flash 上の 68 音声。4 つの多言語・方言音声、22 のプレミアム標準中国語音声、15 のプレミアム英語音声、27 の追加システム音声に分かれています。音声 ID は大文字と小文字を区別し、利用可能なリージョンは一様ではありません。シンガポールリージョンから提供されるのは多言語セットとプレミアム英語セットのみで、残りは北京のみです。

予算に持ち込む際に覚えておく価値のある数値上の注意が1つある。Alibabaはトークン単位の料金を公表している一方、Artificial Analysisは文字あたりの換算値を公表しており、この2つは整合しない。Alibaba自身のドキュメントでは、シンガポールにおけるTTS-Flashの料金は入力100万トークンあたり約0.23ドル、出力100万トークンあたり1.87ドルと記載されており、これはarenaの100万文字あたり19.30ドルとも、前世代について今なお出回っている古い27.6ドルという数字とも、さらに別の単位である。実際にデプロイするリージョンで、アカウントレベルの料金を確認すること。スクリーンショットに写っているものではない。

GPT-Live-1 を相手にした場合、レンダリング比較は、あらゆる TTS モデルを相手にした場合と同じ結果になります。OpenAI のエンジンは、何も生成されなくても、接続が開いている分単位で課金され、バッチ処理もできません。スクリプト化されたワークロードにとって、それは最安のカルテル階層レンダラーの音声1分あたりコストの約27倍であり、構造的に不適切なツールです。

会話の半分、それが実際の決定です。

両ベンダーは今や全二重会話モデルを販売しており、それぞれの背後にある証拠は別種の証拠だ。その非対称性は、どんな単一の数字よりも重要である。

G​PT-Live-1は独立した位置づけにある。Artificial Analysisの音声対音声インデックス——音声推論、エージェント性能、アリーナ選好、タスク成功率の加重平均——では、これを単一の行としてではなく名前付きバックエンド構成の下に掲載しており、G​PT-Live-1（Astra、medium）とG​PT-Live-1（Sol、low）が上位エントリーに含まれ、G​rok Voice 3.0の下、G​emini 3.8 Live Extended Thinkingと並んでいる。同じボードのコストパネルでは、G​PT-Live-1の各構成が入力音声1時間あたりおよそ$4.42から$10.75の間と価格付けされている。これは本物の第三者評価であり、同時に、このアーキテクチャではバックエンドがスコアを左右するという注意喚起でもある。同じ音声モデルが異なる結果で2度現れているのだ。

Q​wen-Audio-3.1-Realtime はそのインデックスに載っていない。その地位は、A​libaba 自身によるこのファミリーに関するベンチマーク主張、A​libaba のコンシューマー向けハードウェアへの展開、そして値下げに依拠している。リーダーボードに不在であることは品質の判定ではない — そのボードはインデックススコアを公表する前に特定の構成要素結果一式を必要とする — しかし、それは会話面において、これら二つのうち一方には独立した数値があり、もう一方にはベンダーの数値しかないということを意味する。

商業上の違いは技術上の違いよりも際立っている。Alibabaは同じ発表でリアルタイム価格を約85%削減した。これは、製品がどういう存在であり得るかを変える類の動きだ。中国市場向けの消費者向けデバイスが、その料金で全二重モデルを出荷しているのは、1分0.05ドルで出荷しているのとは別のビジネスだ。

どちらのベンダーもあなた代わりに解決してくれないこと：推論がどこで行われるのか

両システムとも委譲する。G​PT-Live-1はそれを明示的かつ設計上行う。バックエンドのモデルまたはエージェントが推論し、ツールを使い、伝達するための結果を返す間、聞き取りと発話を行う。そしてバックエンドは、1分あたり0.05ドルに加えて、通常のモデル料金での別請求となる。A​libabaのスタックは、5モデルファミリー全体で同様のことを行う。だからこそ、ASR、audiogen、realtimeの各ティアが別々の明細項目として存在する。

どちらの場合も結果は同じであり、ほとんどの会話型プロジェクトが過剰に支出しているのはまさにそこだ。G​PT-Live-1では、バックエンドが処理している間も含め、セッション時間全体が課金対象になる。O​penAI自身のコストガイダンスはその計算を明確にしている——並列ツール呼び出しでより高速なバックエンドを動かし、ユーザーが1分早く終了すれば音声料金が$0.05節約される——そして効くのはセッションの長さであり、音声レートではない。バックエンドが4秒間止まる会話は、よりコストがかかり、同時に体感も悪くなる会話だ。

ここは、ルーティング層が実際に変化をもたらすスタックの部分です。クライアント委任とは、委任されたバックエンドを自前のハーネスにできるということであり、推論モデルは固定された依存先ではなく、ルートごとに調整できる変数になります。OrcaRouter は 200 以上のモデルをプロバイダの定価で、マークアップなしで提供しており、これはまさにベンダーが価格を下げたときにこそ重要です。値下げは契約更新時ではなく、その当日にはここで反映されます。自動フェイルオーバーはプロバイダの障害を進行中の会話に持ち込ませず、ルーティング DSL を使えば、推論ステップを単一のモデルに賭けるのではなく、複数のモデルから組み立てられます。境界をはっきり述べておくと、OrcaRouter は G​PT-Live-1 も、いかなる Q​wen-Audio-3.1 ティアもホストしていません。ルーティングするのは、Live セッションの背後にある委任された推論です。

どれが、どの仕事向けですか？

大量のスクリプト音声: Qwen-Audio-3.1-TTS。アリーナの換算を信じるのではなく、アカウント単位で現在のティア料金を確認してください。独立系プロバイダーのボードでは3位、コントロールドボイス・ボードでは2位で、70%の値下げ後は料金も中位です。同じパスで効果音と環境音も必要なら、TTS-Next は同じ能力のティアではなく、真に異なる能力です。

中国語と方言のカバレッジ：Qwen、ほぼ議論の余地なし。20の方言地域と言語間の音色転送は、GPT-Live-1が対応できる機能ではなく、OpenAI側のプリセットの非対称性 — ヒンディー語と韓国語にはそれぞれ1つの音声、どちらも女性 — は、2社が言語の広がりをどれほど異なる形で優先してきたかを示している。

英語優先の会話型プロダクトで、その背後には独立したスコアボードがある：G​PT-Live-1。ただし、購入するのは2モデルシステムであり、コストと品質の両方が宿るのはバックエンド側の半分だという注意点がある。

そして、特にAlibabaのリアルタイム層の上で構築しているなら、コミットする前に答えるべき問いは、どのリーダーボードもあなたの代わりには答えてくれないものだ。それは、あなたのバックエンドがセッションあたりいくらかかるかだ。85%削減で、会話そのものは安くなった。考えることを担っている側も安くなったかどうかは、別の請求書だ。

そうした話は決して仮定ではない。このようなリリースの背景にある、記録に残されたAIの障害やエージェントのインシデントはOrcaRouter AIインシデントアーカイブに集められており、各項目には独自の情報源、深刻度、信頼度グレード、係争中フラグが付されています。