Realtime-Venus 対 Qwen-Audio-3.0-TTS：一方は台本を読み、もう一方はあなたの声を聞く必要がある

The tempting comparison between Realtime-Venus and Qwen-Audio-3.0-TTS is price per hour of audio, and it produces a clean answer that is entirely wrong. Qwen-Audio-3.0-TTS-Plus renders speech at roughly $27.6 per million characters, which works out near $1.66 for an hour of finished audio. Realtime-Venus, the 9B full-duplex system Ant Group's Venus Team built with Tsinghua University, has no price at all because it has no hosted service — but self-hosted it would cost you a GPU node running continuously, which is at least an order of magnitude more per hour. The renderer wins on the arithmetic. The arithmetic is measuring two different products: Qwen-Audio-3.0-TTS takes text and returns audio, and Realtime-Venus takes audio and video and returns a conversation. The question that actually separates them is not what they output. It is whether anything has to talk back.

入力がすべての違いだ

Qwen-Audio-3.0-TTSは、2026年7月20日にAlibaba CloudのTongyi Labからリリースされた音声合成モデルで、オープンウェイトはなく、ホスト型APIとして提供されます。テキストはHTTPエンドポイントを通じて入力され、音声が出力されます。音声入力の経路はなく、引き受けるべきターンも、返すべき文字起こしも、遮られるという概念もありません——このモデルはこれまで何も聞いたことがありません。そのコストモデルはまるごと印刷機です。文字を入れれば、音声が出てきます。

対照的に、Realtime-Venusは常に聞き取り続けている。音声視覚チェックポイントは、ストリーミングフレーム用のSigLIP2視覚エンコーダと、Qwen3-8Bバックボーンに供給するWhisper-Medium音声エンコーダを備えており、両方のチェックポイントは1秒のインタラクションループを実行して、会話状態を継続的に更新し、発話するか黙っているかを判断する。別個の合成ステージではなく、離散S3トークンとストリーミング・フローマッチング・デコーダを通じて音声を生成し、波形とともにテキストを返すこともできる。

それは機能の違いではない。コンポーネントとシステムの違いだ。両者を並べてみると、一方は、すでにその前段に音声認識器と言語モデルがあるパイプラインにそのまま組み込める。もう一方は、その三つすべてを置き換える。

具体的な事例を示すと分かりやすくなる。

サポート窓口を想定してみよう。顧客が電話をかけ、問題をうまく説明できず、途中で口ごもってアカウント番号を探し、背景のアナウンスに遮られ、そしてエージェントが回答し終える前に追加の質問をする。

Qwen-Audio-3.0-TTS 上に構築されたシステムは、これを3つのベンダーと3つの請求書として扱う。認識エンジン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め、Qwen-Audio-3.0-TTS がそれを読み上げる。各ホップはレイテンシを加算し、各境界は韻律が死ぬ場所だ。致命的な失敗は構造的なものだ — TTS の区間は、すでに話している文の途中にあるポーズを聞き取れない。そのため、バージインはその前段にある何かによって処理されなければならない。

Realtime-Venusは同じ通話を単一モデルとして処理し、外部の音声活動検出器も、ハンドオフも使わない。そのFull-Duplex-Bench v1.5の数値 — 割り込みへの応答率75%、バックチャンネル下での継続率97%、他者志向発話下で88%、背景発話下で86% — は、まさにこのシナリオを記述する指標である。これらはまた、モデル自身の技術報告による自己申告であり、外部による再現はない。測定値ではなく設計上の主張として読むべきだ。

音声品質：一方にはEloがあり、もう一方には何もない

これは比較の中で最も偏った部分であり、アリババを大差で有利にしている。

• 独立スコア — Qwen-Audio-3.0-TTS-Plusは、2026年9月18日時点で1,544サンプルにわたるElo 1,259を記録し、Artificial AnalysisのProvider Voice Arenaで2位につけている。Cartesia Sonic 3.6（1,277）に次ぎ、Inworld Realtime TTS-2（1,247）とSpeechify Simba 3.2（1,241）を上回っている。

• その始まり — アリーナ自身のリリース欄では、このモデルは2026年9月のエントリーとして掲載されている。これは、2026年7月20日の発売日ではなく、現時点でスコア付けされているティアである。順位が動くたびに、常にトップ2を維持してきた。

• Realtime-Venus — アリーナへのエントリーもなく、第三者による音声評価もなく、何もない。音声関連の数値として唯一挙げられているのは、自己申告による VoiceBench AlpacaEval スコア 4.81 で、報告書はこれが最良の比較数値と一致すると説明している。

• それが意味するのは — 著者たち以外の誰も、Realtime-Venus が良い音に聞こえるかどうかを評価していないということだ。それは Realtime-Venus に対する減点ではない。単に不明なのであり、不明は悪とは異なる。しかし、音声品質が成果物なのであれば、Elo 評価のあるモデルを買うほうが、評価のないモデルを信じて選ぶより優れている。

言語、ボイス、表現力のコントロール

Alibabaのモデルは配信の幅広さを重視して設計されている。1,000種類を超える音声を提供し、20の中国語方言地域を含む16言語をカバーし、感情と話し方のための86個のインラインタグを公開している——テキスト自体に書き込む制御面であり、さらに自然言語による話し方の指示も備える。出力は最大48 kHzで、前世代の24 kHzから向上し、1回の合成は最長3分に及ぶ。Flashティアはリアルタイム再生向けに最初のパケットまで約300ミリ秒を目標とし、Plusティアは品質重視のティアで毎秒約16文字で生成する。これはライブ製品では無視できないほど遅く、バッチレンダリングでは気にならない。

Realtime-Venusは英語と中国語をドキュメント化しており、重みとともに参照音声を1つ同梱し、音声ライブラリではなくトークンから波形へのデコーダを提供する。Qwen的な意味での表現力——タグ、指示、千ものプリセット——に相当するものはここにはない。代わりにあるのは、自分が聞いているものに応じて話し方を変える能力であり、これは別種の表現制御で、スペックシートに書き表すのはずっと難しい。

正直なところ、各経路のコスト

Alibabaの数字には、誰かがそれを前提に予算を組む前に知っておくべき重大な注意点がある。広く引用されている100万文字あたり27.6ドルは、Alibaba自身の価格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、料金階層は別々に価格設定されている。この表を含め、比較表を信用するのではなく、アカウントレベルで数値を確認すること。

Realtime-Venusには定価がない。買うものが何もないからだ。コストは、BF16の9Bチェックポイント2つ——アクティベーションメモリを別にすれば、重みだけでそれぞれ約18ギガバイト——に加えて、継続的なストリーミングループだ。つまり、誰かが呼び出すかどうかに関係なく月単位で課金されるGPUノードを意味する。安定した利用量なら、それは従量課金制の音声APIより会話あたり安い。断続的な利用量では、はるかに悪化し、そのクロスオーバー点だけが重要となる財務上の問いだ。

多くのチームが最終的に行き着く第三の道があり、それは意思決定の形を変えるため、名前を付けておく価値があります。カスケードを維持するなら、ホスト型モデルである必要があるのは中央の区間、つまり推論の部分だけです。OrcaRouter は Qwen-Audio-3.0-TTS も Realtime-Venus も取り扱っていません。どちらの音声レイヤーも当社の提供範囲外であり、そうではないかのように示唆するよりは、はっきりそう言いたいと考えています。当社がカバーしているのは推論の区間です：プロバイダーのリスト価格のまま、マークアップゼロで、1つのキーの背後に約200のテキストモデル、あるプロバイダーでの不調な午後が通話中のコールを切断しないためのアップストリーム間の自動フェイルオーバー、複数のモデルを1回の呼び出しに組み合わせるルーティングDSL、そして1つの判断にもっと多くの意見が必要なときのモデルフュージョン。カスケードにおいて、契約交渉なしに差し替えられるようにしておきたいのはまさにこの区間であり、ベンダーの値下げが更新時ではなく当日に反映される区間でもあります。

クローニングは諸刃の剣

Qwen-Audio-3.0-TTSは、短い参照サンプルから音声をクローンでき、しかも言語をまたいでそれが可能であり、ノイズの多い入力や残響のある入力に対しても堅牢であると文書化されている。これはこの比較において商業的に最も有用な単一の能力であり、コンプライアンス上、最も広い対応領域でもある。10秒の音声から任意の話者を再現できる製品は、「その声は誰のもので、誰がそれに同意したのか」という問いに対して、ベンダーのプリセットでしか話さない製品よりもはるかに長い答えを必要とする。

Realtime-Venus は参照ボイスを重みとともに同梱しています。音声とトレーニング実行があればそれを使ってクローンできますが、リリース内にはそれを簡単にするための仕組みは何も組み込まれていません。コンプライアンス境界内でのセルフホスト型デプロイにとっては、おそらくそれがより安全なデフォルトと言えるでしょう。

実際に購入しているのはどちらですか

音声が出力であるなら、Qwen-Audio-3.0-TTSを購入してください。ナレーション、ローカライゼーション、アクセシビリティ、吹き替え、つまりテキストが音より先に存在し、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です。再生がライブならFlashから始め、声そのものが製品であるならPlusに移行し、クローニングワークフローはプリセットライブラリとは別に価格設定してください。

入力が人で、システムが聞き手のように振る舞わなければならないときは、Realtime-Venus を選ぼう。カメラを意識した支援、ハンズフリーのやり取り、人間が文の途中で割り込み、システムがそれに対応することを期待するあらゆる場面だ。そのトレードオフは容赦ない。Elo評価付きの音声、千ものプリセット、あらゆるホスト型オプションを諦める代わりに、二者のうちあなたの声を聞ける唯一のものを手に入れる。

ほとんどの製品は、両方をそれぞれ別の場所で求めています。共有すべきでないのはコストモデルです — 音声1時間あたりの価格は、この2つのモデルのうちちょうど片方にとって正しい指標であり、それは会話を担っている方ではありません。