Voxtral 3 TTS 対 Qwen-Audio-3.0-TTS-Plus：2つの低コスト音声、2つの異なる地図

これらのモデルはどちらもフロンティアより安価で、どちらもフロンティアの外側にあります。そのためVoxtral 3 TTSとQwen-Audio-3.0-TTS-Plusのどちらを選ぶかは、品質ではなくカバレッジの問題になります。Artificial AnalysisのProvider Voiceボードでは両者は47 Elo差 — Qwenが1,264（7位）、Mistralの新モデルが1,217（13位）— で、価格は100万文字あたり19.31ドルと13.00ドルです。どちらの差も決定的ではありません。決定的なのは、Alibabaのモデルが中国語を中心に設計されていること（20の方言地域と86のインライン話し方タグを含む）であり、Mistralのモデルは欧州連合の24の公用語を中心に設計されていることです。製品が北京官話、広東語、福建語に対応するなら、議論は言語リストの時点で終わります。ポルトガル語、ポーランド語、オランダ語に対応するなら、そこでも逆方向に終わります。このようなリリースの背景にある、文書化されたAIの失敗やエージェントのインシデントはthe OrcaRouter AI Incident Archiveにまとめられており、各項目には独自の出典、重大度、信頼度グレード、係争フラグが付いています。

数字と、それがどれほどの重みを持つか

• プロバイダー音声Elo — Q​wen-Audio-3.0-T​TS-Plus：1,264。Voxtral 3 T​TS：1,217。いずれもArtificial Analysis（2026年10月21日）による。

• Controlled Voice Elo — Q​wen-Audio-3.0-T​TS-Plus：1,125（#7）。Voxtral 3 T​TS：1,066（#14）。両方を同じ8つの参照音声にクローンすると、差は47ポイントから59ポイントに広がります。つまり、A​libabaの強みは音声ライブラリではなく、合成エンジンにあるということです。

• 100万文字あたりの価格 — Q​wen-Audio-3.0-T​TS-Plus は $19.31、Voxtral 3 T​TS は $13.00。音声1分あたり約900文字とすると、1時間あたり $1.04 対 $0.70 になります。

• 言語 — Alibaba：16言語に加え、中国の20の方言地域。Mistral：35以上の言語と50以上の方言に対応し、18言語でプリセットを用意。

• 音声クローニング — A​libaba：参照音声によるクローニング（言語横断的な音色転送を含む）。Mistral：30分の音声からの「Pro Voice」適応。どちらも、Cartesia が売りとする10秒のインスタントクローンは提供していない。

• Weights — 両側ともクローズドです。どちらもAPI専用製品です。

• レイテンシー — Alibabaは認識モデルについて最初の文字までのストリーミング数値を、リアルタイム音声モデルについては別途公開している。MistralはVoxtral 3 TTSについて最初の音声までの時間を公開していない。どちらの数値もベンダー間で比較できるものではなく、音声合成に関してはどちらも独立した測定値ではない。

Eloスコアに関する注意点が1つあります。これらの数値が読み取られた時点で、Voxtral 3 TTSはボードに掲載されてからまだ1日しか経っておらず、比較回数はQwenの2,399回に対して1,619回でした。そのサンプルサイズで信頼区間が重なっている状況での47ポイントの差は、方向性を示すものであって結論ではありません。「Qwenがおそらくやや先行している」と読むべきであり、測定された47という数値として読むべきではありません。

Alibabaのモデルが勝る場面、しかもそれは僅差の勝利ではない

中国語のカバレッジは最初にして最大の違いであり、「20の方言地域」が何を意味するのかは正確に押さえておく価値がある。A​libabaの音声製品ラインは、単一の書き言葉が、北京語だけのモデルでは扱いを誤ってしまう話し言葉に対応している国内市場向けに構築されている。広東語、四川語、呉語、閩南語などだ。Q​wen-Audio-3.0-T​TS-Plusはこれらの地域をネイティブにカバーし、A​libabaの3.1世代ではクロスリンガル音色転送が追加された。つまり、1つの声を北京語、広東語、英語、日本語にまたがって使えるもので、市場ごとにキャストを選ぶのではなく、1人のプレゼンターをローカライズする場合に重要な機能だ。

2つ目は、トークンレベルでの話し方制御です。Q​wen-Audio-3.0-T​TS-Plusは、その世代から受け継いだ文書化された86個のインライン表現タグを備えており、スクリプト内で感情、ペース、強調のマーカーをトランスクリプトに直接持たせることができます。MistralのVoxtral 3 T​TSは、感情、ペーシング、強調のプロンプトレベルの制御に加え、音素レベルの発音と語彙ライブラリを提供します。意図は同様ですが、紙上ではA​libabaのタグ語彙の方が2つの中でより粒度が細かいです。

第三は、Alibaba がより安価な兄弟製品を投入したことだ。3.1 への刷新で TTS は Flash ティアの SKU になったため、3.0-Plus ティアを高すぎると考えるチームには、同じベンダー内で、Voxtral 3 TTS とほぼ同じ価格帯の、文書化されたダウングレード経路がある。Mistral の「もっと安く」への答えは、同じモデルか別ベンダーだ。

A​libabaのモデルがより弱い点も同じくらい明らかです。16言語では対応範囲が狭すぎます。あなたのカタログがポーランド語、トルコ語、ベトナム語、ポルトガル語で展開されているなら、Q​wen-Audio-3.0-T​TS-Plusはそれをカバーしておらず、Eloがどれだけ高くてもその差は埋まりません。

Voxtral 3 TTSが優位な場面

アジア以外での言語の広さは、率直に言って明らかだ。35以上の言語と50以上の方言を謳い、欧州の調達向けに打ち出されたファミリー：Mistralは、文字起こしモデル全体でEUの24公用語すべてに対応し、EU、US、グローバルのAPIエンドポイントを提供すると明言しており、音声がどこで処理され、保持されるかどうかを管理する必要がある購入者向けに、プライベートインフラへの自己デプロイも可能にしている。欧州の公共部門や医療分野の購入者にとって、それは決め手ではなく要件である。

第二に、周辺スタックです。Voxtral 3 TTSは単独のエンドポイントとして販売されていません。SIP、WebRTC、IVRをサポートするLiveKitベースのエージェントSDKが付属し、エージェントターンのレイテンシは1秒未満という主張があり、ループ全体の分単位価格は、Mistral Small 4推論で0.04ドル、別の推論モデルで0.08ドルです。Alibabaにもリアルタイム音声モデルがありますが、Mistralのものは公開された分単位の数字を伴うバンドリング提案として文書化されており、トークン単位の料金表よりもビジネスケースを構築しやすいです。

第三は、かろうじて価格だ。13ドル対19.31ドルは33%の割引であり、規模が大きくなればそれは現実的な数字になる。月1万時間なら約7,000ドル対10,400ドルだ。価格改定と言えるほどの出来事ではないが、取るに足らないことでもない。

ここでは、ルーティングの根拠はほとんどのマッチアップよりも強い。

モデル対モデルの記事のほとんどは「どちらかを選べ」で終わります。この2つは真にポートフォリオの問題です。なぜなら、両者のカバレッジマップは端の部分でほとんど重なっておらず、どちらも並行して動かせるほど安価だからです。EUの8言語で商品ページをナレーションし、さらに広東語を話す顧客層にも対応する欧州のeコマースプラットフォームには、両方が必要です。北京語の台詞とフランス語字幕があるシリーズを手がける吹き替え制作会社も同様です。

両方を運用するときに厄介なのはモデルの選択ではなく、配線のほうだ。ベンダーが2社、認証方式が2つ、請求関係が2つ、障害モードも2組。OrcaRouterはまさにそういう形のために存在している——200以上のモデルにまたがる1つのOpenAI互換キー、ベンダーの定価を0%のマークアップでそのまま通すので価格改定は当日に反映され、言語タグ付きのリクエストをその言語をカバーするモデルへ送れるルーティングDSLも備える。本稿執筆時点で、Voxtral 3 T​TSもQ​wen-Audio-3.0-T​TS-PlusもOrcaRouterのカタログには含まれていない。200以上のモデルに対応する1つのAPIというのは、実際に運用しているカタログについての主張であり、この2つについての主張ではない——今日、この2つには各ベンダー自身のAPIおよび複数のサードパーティプラットフォームを通じてアクセスする。設計上の要点はそれでも変わらない。言語マトリクスが2社のベンダーを必要とするなら、その分割は2つのコードパスではなくルーティングルールの中に置くべきだ。

どちらのベンダーも公開していないこと

3つのギャップがあり、どちらの場合も同じ3つだ。このことは、この市場層がまだどれほど若いかを物語っている。

言語別のスコアはありません。Eloの数値はどちらも集計値です。モデルは総合で1,264に位置しながら、中国語では優秀でフランス語では平凡であり得ます。リーダーボードからはそれが分からず、どちらのベンダーも言語別の内訳を公表していません。特定の言語での品質が判断の鍵となるあらゆる意思決定では、唯一信頼できるテストは、どのモデルがどのサンプルを生成したかを知らされていないネイティブスピーカーに自分のコーパスを読んでもらうことです。

長編の耐久性を示す数値はない。Arena のクリップは数秒単位だ。どちらのモデルも TTS エンドポイントの最大生成長を明記しておらず、10 分間にわたる一貫性の公開テストもない——オーディオブックが成立するか否かを分けるのは、まさにその長さだ。Qwen の 3.1 世代は、TTS エンドポイントを拡張するのではなく、長編シーン生成を別の-Nextモデルへと移した。これは、ベースモデルが長編向けのツールではないことの暗黙の認めである。

独立したレイテンシ測定は存在しない。MistralはVoxtral 3 TTS合成について何も公表しておらず、Alibabaはベンダー公表値を公開している。Artificial AnalysisはVoxtral 3 TTSについて中央値で毎秒112文字のスループットを報告しているが、同じページでQwen-Audio-3.0-TTS-Plusについては報告していない。ライブ音声エージェントでは、time-to-first-audio（最初の音声が出るまでの時間）がEloよりも製品体験を大きく左右し、それはこのカテゴリで最も文書化が進んでいない数値である。

正直な分割

選んでくださいQ​wen-Audio-3.0-T​TS-Plus。条件は、製品が中国語（地域訛りのある標準中国語、広東語、中国語と英語のコードスイッチング）を話す場合、または文字起こし内の詳細なデリバリータグが必要で、フラッグシップの下に安価なティアが文書化されているベンダーを求める場合です。Voxtralより48%高価ですが、両方のボードで測定上明確にリードしています。中国語優先の作業なら、その費用は十分に価値があります。

以下の場合には選択してくださいVoxtral 3 T​TS：製品が欧州の言語に対応している場合、EU域内でのデータレジデンシーが調達要件である場合、または音声エージェントを構築していて、合成をエージェントSDKおよび公開されている分単位の料金とバンドルしたい場合。47 Eloを犠牲にし、販売先の市場をカバーする言語マップを得られます。

両方を選び、その間を振り分けてください——対象とするオーディエンスが本当に両方の地図にまたがるなら。Elo-per-dollar の観点では両者は十分に近く、互角ならスコアではなくカバレッジで決めるべきであり、広州とグダンスクに顧客を持つ製品に単一の正解はありません。

注目に値するのは、どちらかのベンダーが言語別の内訳を公開するかどうかだ。どちらかが公開した瞬間、この比較は地図についての議論ではなく測定についての議論になり、そのほうがより良い議論になる。