StepAudio 3 TTS vs Qwen-Audio-3.0-TTS：このうち片方にはArenaスコアがあり、それは新しい方ではない

これが全体の比較を一行にまとめたものです。Qwen-Audio-3.0-TTSは、Text-to-Speech Arena で Plus ティアの Elo 1,234 に位置しています — これは 2,502 件のブラインド試聴投票で獲得したスコアです。StepAudio 3 TTSは、2026年9月15日に StepFun からリリースされましたが、そのボードにはまったく載っていません。その前身は次のとおりです：StepAudio 2.5 TTS は 1,306 票から Elo 1,209 を保持しています。

では、率直な問いは「どちらがよりよく聞こえるか」ではない。前世代で測定された25ポイントのElo差が、StepFunがプロソディを改善し、価格を半分以上下げたと述べているリリースを経ても残るかどうかだ。その投票はまだ誰も実施しておらず、以下のすべては、証拠におけるその空白を、なかったことにするのではなく、それを中心に組み立てられている。

取締役会は、今日実際に読まれるままの姿で

実際の順位表を見る価値はある。出回っているいくつかの記事が、その古い版を引用しているからだ。ブラインドリスニングのアリーナは、投票者がどちらのサンプルを好んだかによって音声合成モデルをランク付けしている。プロバイダーの音声ボードの最上段を横にたどってみてほしい：

• Cartesia Sonic 3.6 — Elo 1,277、2026年8月、100万文字あたり$49.0

• Inworld Realtime TTS-2 — Elo 1,243、2026年8月、100万文字あたり$20.8

• SpeechifyAI Simba 3.2 — Elo 1,238、2026年7月、100万文字あたり6.6ドル

• Alibaba Qwen-Audio-3.0-TTS-Plus — Elo 1,234、2026年7月、100万文字あたり$27.6、8つのアリーナボイス

• VUI Labs Luna TTS — Elo 1,229、2026年6月、100万文字あたり80.0ドル

• Inworld Realtime TTS-2 Flash — Elo 1,213、2026年8月、100万文字あたり10.4ドル

• StepFun StepAudio 2.5 TTS — Elo 1,209、2026年8月、100万文字あたり85.0ドル、アリーナ音声8種

• Google Gemini 3.1 Flash TTS — Elo 1,204、2026年4月、100万文字あたり18.3ドル

そのリストからすぐに2つのことが明らかになる。1つ目は、QwenのPlusティアは首位ではない——Cartesia、Inworld、Speechifyに次ぐ4位であり、王冠として引用される1,234という数字は、その後順位表が動いたなかで中位のスコアにすぎない。2つ目は、StepAudio 2.5 TTSは2026年8月に再実行され、7位となり、Qwenに25 Elo差をつけられ、価格は3倍以上だった。

そして、何よりも重要な3つ目の点：信頼区間を見てください。QwenのPlusティアは、2,502サンプルにわたって−14/+14と記載されています。StepAudio 2.5 TTSは、1,306サンプルにわたって−16/+16と記載されています。これらの区間は重なっています。誤差範囲がどちら方向にも14ポイントと16ポイントに及ぶ2つのモデル間の25ポイントの差は、実証された品質の違いではなく、アリーナが現在区別できない2つのモデルが、さらに数百票あれば逆転しうる順序でランク付けされているということです。

欠落したデータポイントがあなたに与えるコスト

StepAudio 3 TTSは、StepFunがStepAudio 2.5 TTSに代えて採用したモデルであり、その発表では、音色、イントネーション、リズム、呼吸の間の制御に加え、笑い、戸惑い、吃音、繰り返し、自己修正といったパラ言語的行動も可能だと謳われている。これらは、生成と再生が重なり合うストリーミングアーキテクチャを通じて実現される。

それはまさに、アリーナが測定する特性の集合そのものだ。また、スコアがないことが致命的ではなく歯がゆいのは、まさにそのためでもある。その問いに答えるはずのベンチマークは存在し、公開で実施されており、ただ新しいモデルが出荷されて以降、再実行されていないだけなのだ。StepAudio 3 TTS のほうが Qwen-Audio-3.0-TTS より音が良いと言う人は、自身の誤差範囲内の差で敗れた先行モデルから外挿しているにすぎない。

価格は完全に記録されている部分であり、そしてそれは大きく動いた

StepAudio 3 TTSは、StepFunの自社プラットフォーム上で1万文字あたり2.5元で課金されます。StepAudio 2.5 TTSは5.8元で課金されていました。arena独自の文字数ベースの料金列では、旧モデルは100万文字あたり$85.00でした。1万文字あたり2.5元は、最近の為替レートでは100万文字あたりおよそ$35に相当します——これは公表された数値ではなく当社による換算であり、お客様自身の地域と為替に照らして再計算する価値があります。これは同じ料金項目でほぼ60%の削減です。

それは依然としてQwenより高い。Qwen-Audio-3.0-TTS-Plusは100万文字あたり27.6ドルで掲載されており、Flashティアはさらに安い。Alibaba Cloud Model Studioでは、生成された音声ではなく入力文字数に基づいて合成を課金しており、出力は別途課金されない。Flashティアを掲載している第三者プラットフォームは、100万文字あたり10ドル台後半の料金を提示しているが、地域差があるため、単一の見出し数値は信頼できない。

つまり構図はこうだ。StepFunは合成コストをおよそ半減させ、Qwenとの差の大半を埋めたが、それを追い越しはしなかった。文字あたりの価格が絶対的な制約条件なら、論拠は狭まるが答えは変わらない。そうでなければ、価格はどちらのモデルを選ぶ理由ではなくなった。

{{1}}音声インベントリ{{/1}}と{{2}}言語カバレッジは近くない{{/2}}

ここが、比較がもはや判断の問題ではなく、仕様の問題になる地点です。

• ボイス・インベントリ — Qwen-Audio-3.0-TTS は各ティアにわたって1,000以上のボイスを提供するのに対し、StepAudio 3 TTS には比較可能な公表数がない

• 言語 — Qwen-Audio-3.0-TTS は16言語と20の中国語方言に対応し、Flashティアは低リソース言語と方言の真正性に最適化されているのに対し、StepAudio 3 TTS は中国語優先で、同等のカバレッジの主張はありません。

• リクエストサイズ — Qwen-Audio-3.0-TTS は1リクエストあたり20,000文字、StepAudio 3 TTS は非公開

• レイテンシー — Qwen-Audio-3.0-TTS Flash は、Alibaba 自身のドキュメントによれば、初回パケットのレイテンシー 200 ms 以内を目標としている。一方、StepAudio 3 TTS ストリーミングには公表された数値がない。

• 階層化 — 表現力向けの Qwen-Audio-3.0-TTS Plus とリアルタイム向けの Flash、6つのフラッグシップボイスはどちらか一方の階層に固定されるのに対し、StepAudio 3 TTS は単一階層

• 制御面 — Qwen-Audio-3.0-TTS の自然言語による話し方指示と、入力テキストに埋め込まれた [excited]、[laughing]、[whispers] などのインライン表現タグ 対 StepAudio 3 TTS モデルが文脈から推論する韻律

• 音声クローニング — StepAudio 3 TTSは、そのTTS階層全体を通じてクローン音声1つあたり一律9.9元であるのに対し、Alibaba Cloud Model Studio経由のQwen-Audio-3.0-TTSクローニングは

• 出力 — Qwen-Audio-3.0-TTS 24 kHz デフォルトサンプルレート vs StepAudio 3 TTS 未公開

そのコントロールサーフェスの行こそが本当の設計上の違いであり、品質の問題ではありません。Qwenの表現タグは明示的かつ同期的です。テキストに感情を書き込めばモデルがそれを表現するので、テストしやすく、回帰テストにも向いています。StepFunの説明は、文脈から適切なためらいや笑いを推論するモデルについてのもので、うまくいけばよりよく聞こえますが、間違ったときにはずっと捉えどころがありません。演技を自分で書きたいか、それとも任せたいかで選んでください。

測定なしでどう決定するか

公表されている数字から答えを論理的に導き出すことはできない。決定的な数字が存在しないからだ。そうなると残るのはテストであり、この2つをテストすることには、計画を立てる価値のある特有の形がある。

どちらもホスト型専用の商用APIであり、Qwen-Audio-3.0-TTSはAlibaba Cloud Model Studio経由、StepAudio 3 TTSはStepFunのオープンプラットフォーム経由です。どちらもオープンウェイトではないため、自前でホストして評価する手段はありません。ここでOrcaRouterがカバーする範囲を正確に述べると、現在当社のカタログにあるテキスト読み上げモデルは、OpenAIのtts-1ファミリー、gpt-4o-mini-tts、GoogleのGemini TTSプレビューです。本記事に登場するモデルはいずれもそこに含まれておらず、Qwen-Audio-3.0-TTSも同様です。ここにある内容は、当社がそれらを提供しているという主張として受け取られるべきではありません。

OrcaRouter に実際に乗っているのは、パイプラインのテキスト側の半分です。あなたの合成レイヤーが読み込むスクリプトは言語モデルによって生成されており、それこそが最も頻繁に変化し、再契約に最もコストがかかり、ピン留めしないままにしておくのが最も簡単なコンポーネントです——1 つの API の背後に 200 近いテキストモデル、自動フェイルオーバー、複数のモデルを 1 回の呼び出しにまとめるルーティング DSL、そして 1 つのモデルの判断だけでは足りない場合のモデルフュージョン、プロバイダーの定価をマークアップなしでそのまま適用これら 2 つの合成モデル間でブラインド評価を実施する場合は、1 つのエンドポイントを通じてコーパスを生成し、両方の候補が同一の入力を受け取るようにしてください。また、合成レイヤーは差し替え可能なインターフェースの背後に置いておきましょう。

これで決定はどうなるのか

幅広さが必要なら、今日は Qwen-Audio-3.0-TTS を選ぼう — 1,000 を超える音声、16 言語と 20 方言、文書化された 20,000 文字のリクエスト上限、レイテンシ重視のティアと表現力重視のティア、200 ms の初回パケット目標、そして StepFun より低い料金。これは測定結果に裏打ちされたモデルであり、より広い対応範囲を持ち、その4位という Elo は、引用されるほどの王冠ではないにせよ、実際の結果だ。

中国語優先で構築していて、ティア選択の判断ではなく単一ティアを望み、公表された定額料金でクローニングを行いたく、まだブラインドテストされていないモデルに早くから取り組むことをいとわないなら、StepAudio 3 TTSを選ぼう。QwenのPlusティアより1文字あたり約27%多く支払う代わりに、誤差バーが重なった状態で25 Elo後れを取っていたモデルと比べて、主張されている韻律改善を一世代分得ることになる。

決着をつける唯一の方法は、StepAudio 3 TTS をプールに加えてアリーナをもう一度実行することだ。その投票が行われるまでは、これは測定済みのモデルと未測定のモデルの比較であり、両者の前身を分ける25ポイントはノイズの範囲内にある——それはランキングではなく、ランキングとして売り込むべきものではない。