Grok Voice 3.0 vs Qwen-Audio-3.0-TTS：このうち片方だけがあなたの声を聞き取れる。しかもそれは安い方ではない

2つの料金表を並べてみれば、Alibabaのモデルが3倍の差で勝利する。Qwen-Audio-3.0-TTSは、100万文字あたり$27.6、音声1時間あたりおよそ$1.66で音声を生成し、本日時点でAlibaba Cloud Model Studioを通じたホスト型APIとして利用できる。Grok Voice 3.0は、2026年10月14日にSpaceXAIが発表したもので、音声1分あたり$0.08——1時間あたり$4.80——に加えて、テキスト入力あたり$0.004を請求する。ナレーターのほうが安い製品であり、そしてナレーターはあなたが話すことを何も聞こえない。Qwen-Audio-3.0-TTSはテキスト読み上げモデルだ。Grok Voice 3.0は全二重の音声対音声モデルであり、あなたが話し終えたかどうかを1秒に何度も判断しなければならない。音声1時間あたりという指標が正しいのは、そのうちの一方だけである。

それが一段落でまとめた対決の全体像であり、その下に続くすべては導入の可否を決める部分だ。つまり、それを取り巻くパイプラインの各区間まで数に入れたとき、それぞれの運用にいくらかかるかである。

一方はスクリプトをレンダリングする。一方は電話に出る。

テキスト読み上げはテキストを受け取り、音声を返す。入力音声はなく、発言の番もなく、遮られるという概念も、返ってくる文字起こしもない。なぜなら、モデルは何も聞いていないからだ。そのコストモデルは印刷機のようなもの——ページを入れ、音声を出す——であり、重要な数字は品質とスループットの2つだけだ。どちらも出荷前に測定できる。

全二重モデルは、送信音声を生成しながら受信音声を処理する。その役割には、言葉とは関係のない会話の要素も含まれる。相手が間を置けば自分も間を置き、あいづちを遮りとは見なさずに続け、文の途中でも発言権を譲り、流れを途切れさせずにツール呼び出しを発火させることだ。Grok Voice 3.0はそのすべてを行い、セッションとともに文字起こしも返す。それができるのは、ずっと聞いていたからにほかならない。

あなたの製品が記事を読み上げたり、ドキュメントを音声化したり、動画のナレーションを付けたりするなら、Grok Voice 3.0 は時間あたり3倍の価格でありながら不適切なツールで、そもそもその仕事をこなせません。台本を受け取ってファイルを生成することができないからです。あなたの製品が電話応対をするなら、Qwen-Audio-3.0-TTS はパイプラインの3分の1にすぎず、会話にするには音声認識と言語モデルがまだ必要で、それらの各段がコストとレイテンシを増やし、韻律が死ぬ境界を生み出します。

Qwen-Audio-3.0-TTSが真に強みを発揮する場面

アリババのモデルの主張はマーケティングではない。2026年7月20日にアリババの通義実験室（Tongyi Lab）によって公開され、ホスト型のクローズドAPIとして提供されたPlusティアは、登場時にArtificial Analysisのテキスト読み上げアリーナで首位を獲得した。リーダーボードは動くもので、これも動いた。2026年9月時点でQwen-Audio-3.0-TTS-PlusはProvider Voice Arenaで4位、2,306サンプルでのEloは1,232で、Cartesia Sonic 3.6の1,275、Inworld Realtime TTS-2の1,244、SpeechifyのSimba 3.2の1,233の後塵を拝している——これら3モデルは7月と8月に、同モデルより後にリリースされたものだ。20以上中の4位、首位は失われたが価格優位は保たれている、それでも強い立場だ。ただ、ローンチ時の報道が描いた立場ではない。

• 言語カバレッジ — 16言語、うち10言語でリードポジション、さらに中国語の20方言地域。

• 音声クローニング — 短い参照サンプルから、言語をまたぐクローニングも含む。

• 表現力豊かなコントロール — 86種類のインライン感情・話し方タグ。

• スループット — Plus は 1 秒あたりおよそ 16 文字を生成します。バッチレンダリングではそれは見えませんが、ライブ製品では、これがバッファを決める数値になります。

• ティア — Flash はリアルタイム再生向けに初回パケット遅延およそ 300 ms を目標としています。Plus は品質重視のティアです。両者は名前を共有する別々の製品であり、間違った方を選んでしまうのはよくある最初のつまずきです。

• ドキュメントのギャップ — 広く引用されている100万文字あたり27.6ドルは、Alibaba自身の料金ページのすべてのスナップショットと一致するわけではなく、時点によっては両方のティアについてより低い数値が記載されていることもあります。予測する前に、リーダーボードの数値ではなく、アカウントレベルで数値を確認してください。

計画に織り込むべき注意点が2つあります。16言語をサポートしているにもかかわらず、公開プリセット音声はほぼ中国語と英語のみで、残りの14言語はすぐに使える形ではなくクローニングワークフロー経由で存在します。また、86個のインライン感情タグは単方向ストリーミングモードでのみ動作するため、表現制御はすべての統合経路で維持されるわけではありません。

注意すべきバージョンもあります。Alibabaは現在、Qwen-Audio-3.1-TTS世代と、別個のQwen Audio 3.0 Realtimeファミリーを掲載しており、これらはQwen-Audio-3.0-TTSと同じモデルではありません — Realtimeラインは、まったく別のリーダーボードに現れる音声対音声製品です。「Qwen Audio 3.0」を会話モデルと比較する人は、Alibaba自身の価格表のどの行を実際に読んでいるのかを確認すべきです。

Grok Voice 3.0 にかかる費用と、それが解決しないこと

Grok Voice 3.0は2026年10月14日に登場し、音声1分あたり$0.08に加えてテキスト入力あたり$0.004で、料金は置き換え対象のモデルから変更されておらず、grok-voice-latestは現在これを参照するようになり、grok-voice-2.0は非推奨としてフラグ付けされています。Artificial AnalysisのSpeech to Speech Indexでは86.9で首位に立ち、その最も高い構成要素はτ-Voiceにおけるエージェント性能71.6%で、前身モデルは56.5%でした——今回のリリースで最大の単一の変化です。

レイテンシの主張は、この2つのモデルがついに同じ単位を共有する点だ。Grok Voice 3.0は最初の音声まで0.81秒を公表しており、フロンティアの対話モデルの中で最速の数値だ。Qwen AudioのFlashティアは、最初のパケットまで約300 msを目標にしている。これらは同じ測定ではない。300 msは、すでにテキストが手元にあるレンダリングジョブの最初のパケットまでの時間であり、0.81秒は、人間が話し終えた後に話し始めるまでの時間で、自分の番だったという判断を含む。約2.5倍のレイテンシは、割り込みを受けられる能力を買う。それが価値があるかどうかは、相手が人間かどうかで完全に決まる。

Grok Voice 3.0は、TTSモデルがあなたに任せる音声製品の要素も備えています。すなわち、双方向セッション、サーバー側のターン検出、エージェントが会話の途中でバックエンドを呼び出せるようにするセッションスコープのツール、そしてそれに伴って返される文字起こしです。一方で、スクリプト読み上げモード、クロスリンガルとして文書化されたクローニング、機能として宣伝される16言語は備えていません。対応可能なユースケースはTTSモデルより狭く、1時間あたりの数値は高くなっています。

カスケード請求書の正直な版

テキスト音声合成モデル上に構築された会話型製品はカスケードである。音声認識モデルが発信者の音声をテキストに変換し、言語モデルが何を言うかを決定し、TTSモデルがそれを読み上げる。3つのベンダー、3つの請求書、合算される3つのレイテンシ予算、そして各境界でのハンドオフ。TTSの区間は音声1時間あたり1.66ドルかかるかもしれない。他の2つの区間にこそ、コストと間違いが実際に存在し、カスケードはすでに話している文の途中のポーズを聞き取ることができない。

Grok Voice 3.0は、3つの要素を1つのセッションと1つのメーターに統合します — 請求を正確に保つ2つの詳細を備えています。そのツール呼び出しと委任された推論は、それらに応答する任意のバックエンド上で、そのモデル自身の料金で実行されるため、エージェントを毎ターン検索する最先端の推論モデルに向けると、安価な音声レイヤーの背後で高価な呼び出しが発生します。そして月30万分では、料金表は音声部分だけで24,000ドルです。

その2つ目の指標こそ、この比較がモデル選択ではなくアーキテクチャ選択になる地点であり、ルーティング層がその居場所を得る場所でもある。OrcaRouterはGrok Voice 3.0もQwen-Audio-3.0-TTSも搭載していない。どちらの場合も音声レイヤーは当社の手の及ぶ範囲外にあり、その部分は一切ルーティングしない。推論レッグはそうではない。12社以上の上流プロバイダーが提供する207のモデルが、1つのキーの背後にあり、プロバイダーの定価でマークアップゼロ。プロバイダーの値下げは、次の契約更新時ではなく当日に反映される。中間レッグを丸ごとカバーするカスケードなら、1つのエンドポイントの背後に音声認識オプションを2つと推論モデルを3つ配置し、実トラフィックでA/Bテストし、自動フェイルオーバーに上流の障害を吸収させて通話を落とさないようにできる。単一の推論モデルでは足りないケースでは、ルーティングDSLが複数のモデルを1回の呼び出しにまとめる。

1つの質問で選ぶ

Qwen-Audio-3.0-TTS を購入すべきなのは、出力がコンテンツである場合です。ナレーション、ローカライゼーション、アクセシビリティ音声、吹き替え、または音声より先にテキストが存在し、レンダリング1時間あたりの品質が指標となるあらゆるワークフロー。ライブ再生が必要なら Flash から始め、声そのものが納品物である場合は Plus に移行し、クローニングのワークフローはプリセットボイスとは別に価格設定し、それをもとに予測を立てる前に、アカウントレベルで100万文字あたりの料金を確認してください。

入力が人なら Grok Voice 3.0 を購入せよ。サポート窓口、予約フロー、受付面接、つまり発信者の最初の音節がモデルの発話途中に届き、システムが再生側ではなく聞き手のように振る舞わなければならないあらゆる場面だ。音声1時間あたりのコストはより高く、あなたの文書を読むことはできず、そして2つのうち中断できる唯一のものである。

多くの実在する製品は両方を求めている——音声アセットを生成するレンダリングモデルと、そのアセットが属する通話を処理する双方向モデルだ。両者が共有すべきでないのは、コストモデルである。音声1時間あたりは、この2つのうち一方にとって適切な単位であり、もう一方の実際のコストは、カスケードを構築しなかったことで回避したパイプラインである。