AssemblyAI-TTS-1 vs Qwen-Audio-3.0-TTS: 제목에 적힌 모델이 구매해야 할 모델은 아닙니다

이 비교에서는 Qwen-Audio-3.0-TTS를 언급하고 있는데, 이는 어떤 수치를 인용하기 전에 반드시 바로잡아야 할 문제입니다. 알리바바는 2026년 9월 23일 아프사라 컨퍼런스에서 Qwen-Audio-3.1 시리즈를 출시하면서 3.0을 플래그십 음성 모델에서 은퇴시켰고, 자사의 TTS 라인 최상위에 Qwen-Audio-3.1-TTS-Plus를 올렸습니다. 따라서 이 대결의 정직한 버전은 두 개, 아니 세 개의 모델입니다 — AssemblyAI-TTS-1, 2026년 10월 27일 정식 출시된 백만 자당 15달러의 클로즈드 엔드포인트를, Qwen 음성 스택의 두 세대 모두와 비교하는 것이며, 답은 실제로 어느 Qwen을 의미했느냐에 따라 달라집니다. 계약서, 통합 또는 조달 문서에 3.0이라고 적혀 있다면 다음 섹션을 읽으십시오. 3.1이라고 적혀 있다면 건너뛰십시오.

먼저, 정정하자면: 3.0은 현재 Qwen이 아닙니다.

Qwen-Audio-3.0-TTS는 2026년 7월 20일에 두 등급으로 출시되었습니다. {{1}}Flash는 실시간 사용을 위해 설계되었으며 첫 패킷 지연 시간은 약 300ms입니다;{{/1}} Plus는 Alibaba Cloud Model Studio를 통해 백만 자당 27.59달러에 제공되는 품질 등급이었습니다. 이 제품군은 16개 언어와 20개 중국 방언 지역을 지원하고, [angry] 및 [giggles] 같은 86개의 인라인 제어 태그와 자유 형식의 자연어 스타일 지시를 함께 지원하며, 노이즈에 강한 제로샷 복제를 수행하고, 48kHz로 출력하며, 한 번에 최대 3분까지 합성합니다. 이는 비공개 모델이며 호스팅 방식으로만 제공됩니다 — 공개 가중치가 없으며, 이는 Alibaba의 이전 공개 가중치 Qwen3-TTS에서 의도적으로 벗어난 점입니다.

10주 후, 3.1 스택은 ASR, TTS, TTS-Next 및 실시간 전반에서 이를 대체했습니다. 3.1 TTS 티어는 동일한 8개 음성 라인업을 갖추고, Artificial Analysis의 가격 컬럼에 100만 자당 $19.3로 표시되며, 9월 말 이후 대부분의 Qwen 비교가 실제로 의미한 항목입니다. 실질적으로: 이미 통합되어 있다면 3.0은 여전히 호출 가능하고, 신규 구매자가 견적을 받는 것은 3.1이며, 3.0의 7월 점수를 10월 출시 옆에 그런 설명 없이 나란히 놓는 기사는 오래된 비교를 팔고 있는 것입니다.

세 가지 모두에 대해 한 번만 읽는 보드

2026년 10월 30일 기준으로 조회한 Artificial Analysis의 Provider Voice Arena이며, 따라서 아래의 모든 행에 동일한 측정 도구가 적용됩니다:

• Qwen-Audio-3.1-TTS-Plus — 3위, Elo 1,305, 샘플 2,281개, 2026년 9월 출시.

• Qwen-Audio-3.0-TTS-Plus — 7위, Elo 1,269, 샘플 2,794개, 2026년 6월–7월 출시.

• AssemblyAI-TTS-1 — 14위, Elo 1,227점, 샘플 1,632개, 2026년 10월 출시.

• ElevenLabs Eleven v4 Turbo와 Eleven v4는 이 글에서 다루지 않는 기준점에서 각각 1,336과 1,334로 1위와 2위를 차지합니다.

AssemblyAI-TTS-1과 현재 Qwen TTS 티어 사이의 78점 격차는 실재하지만 이번 맞대결에서 가장 큰 격차는 아닙니다 — 같은 측정에서 ElevenLabs는 Qwen보다 31점, AssemblyAI보다 109점 높습니다. 더 중요한 점은 나흘밖에 되지 않은 모델에 대한 1,632개 샘플 행은 빈약한 증거이며, 해당 보드의 구간은 모델 자체에는 아무 변화가 없어도 재실행 시 AssemblyAI-TTS-1이 몇 순위 움직일 수 있을 만큼 넓다는 것입니다.

초당 16자라는 숫자가 이것을 결정합니다.

다음은 Qwen 비교에서 거의 아무도 넣지 않는 측정값이며, 바로 AssemblyAI-TTS-1이 만들어진 작업에 중요한 그 측정값입니다.

Artificial Analysis는 AssemblyAI-TTS-1의 합성 속도를 초당 162자로 측정합니다. Qwen-Audio-3.0-TTS-Plus는 동일한 측정 방식에서 초당 약 16자를 생성합니다 — 아레나 상위권 근처에 있는 모델 중 가장 느립니다. 3.1 티어는 이를 개선했지만, 생성 속도는 여전히 이 제품군의 강점이 아닌 약점 축입니다.

이제 실시간 에이전트가 신경 쓰는 유일한 단위로 변환해 보자. 일반적인 발화는 분당 약 900자, 즉 초당 15자로 진행된다. 초당 16자를 생성하는 모델은 반올림 오차 범위 내에서 실시간 계수 1.0이다 — 재생 스트림 하나를 겨우 앞서갈 수 있으며, 뒤에 더 많은 하드웨어가 없으면 동시에 두 대화를 처리할 수 없다. 초당 162자에 이르는 모델은 동일한 연산량 단위당 대략 열 개의 스트림 여유를 갖는다.

이는 Elo 격차를 다시 해석하게 합니다. 78점의 블라인드 선호도 부족은 자체 코퍼스로 답할 수 있는 품질 문제입니다. 10배 처리량 부족은 청구서로 나타나는 용량 문제입니다. 해결책이 동시 호출자당 더 많은 GPU-초이기 때문이며, Alibaba의 호스팅 가격에서는 그것은 당신이 통제할 수 있는 수단이 아닙니다.

두 가지 유의점을 분명히 밝힙니다. 이는 하나의 측정 도구로 측정한 두 공급업체이며, 통제된 직접 비교가 아닙니다. 생성 처리량은 하드웨어, 배치 처리, 시퀀스 길이에 따라 달라집니다. 또한 Qwen의 12.5 Hz 음성 토크나이저는 일반적인 50–75 Hz보다 의도적으로 낮은데, 이것이 Flash 티어에서 첫 패킷 지연을 약 300 ms 근처로 유지해 주는 요인입니다. Qwen은 첫 소리까지의 지연을 최적화했습니다. AssemblyAI는 턴이 시작된 뒤의 초당 문자 수를 최적화했습니다. 이는 서로 다른 선택이며, 전화 에이전트는 둘 다 체감합니다.

언어와 제어 태그는 Qwen이 거의 패배하지 않는 분야입니다.

처리량 논거가 콜센터 사안을 결정한다면, 언어 논거는 나머지 모든 것을 결정하며, 그것은 결코 미묘하지 않다:

• 지원 범위 — Qwen-Audio-3.0-TTS는 16개 언어와 20개 중국 방언 지역을 지원하며, AssemblyAI-TTS-1은 6개 언어(영어, 스페인어, 프랑스어, 독일어, 이탈리아어, 포르투갈어)와 각 언어 내 여러 악센트를 갖춰 출시되었습니다.

• 방향 — Qwen은 86개의 인라인 제어 태그와 자유 형식 스타일 프롬프트를 제공합니다. AssemblyAI-TTS-1은 출시 당시 감정 태그, SSML, 속도 매개변수, 발음 사전이 없으며, 자체 게시물에서는 글로 표기된 비유창성이 연기되지 않고 쓰인 그대로 읽힌다고 합니다.

• 클로닝 — Qwen은 노이즈에 강한 제로샷 클로닝을 수행하고, AssemblyAI는 24초 샘플로 즉시 클로닝하며 화자 권한 확인 단계를 제공합니다. 어느 쪽도 훈련된 전문가용 클론 등급을 제공하지 않는데, 이는 Qwen이나 AssemblyAI의 제품이 아니라 ElevenLabs의 제품입니다.

• 출력 — Qwen은 3분 단일 패스 상한으로 48kHz에서 합성합니다. AssemblyAI는 단어 타임스탬프와 barge-in 취소 메시지를 포함하여 8–48kHz PCM, µ-law 또는 A-law를 스트리밍하는데, 이는 텔레포니 스택에 실제로 필요한 배관입니다.

• 개방성 — 어느 쪽도 가중치를 공개하지 않는다. 둘 다 호스팅 전용이며, 지역 내에서 제공되고, 벤더가 가격을 책정한다.

그 표는 분명한 해석을 제공합니다: AssemblyAI-TTS-1은 다국어 제품이 아니며 그런 척도 하지 않습니다. 에이전트가 일본어, 한국어, 중국어(만다린)를 말해야 한다면 Qwen 제품군이 답이며 이 글은 거기서 끝입니다. 에이전트가 영어권 발신자와 영어로 대화하고 가끔 스페인어를 사용한다면 6개 언어로 충분하며, Qwen의 기능 목록은 프롬프트가 절대 사용하지 않을 기능에 비용을 지불하는 셈입니다.

시간당 가격, 세 가지 방식

이 시리즈의 다른 모든 부분에서와 동일한 추정치를 사용하면 — 분당 약 900자의 발화, 즉 시간당 대략 54,000자 — 시간당 합성 비용은 다음과 같습니다:

• AssemblyAI-TTS-1 — 100만 자당 $15, 모든 보이스와 언어 및 클로닝 포함, 추가 비용 없이 무제한 동시 처리: 오디오 1시간당 약 $0.81.

• Qwen-Audio-3.0-TTS-Plus — Alibaba Cloud Model Studio에서 백만 문자당 $27.59: 시간당 약 $1.49.

• Qwen-Audio-3.1-TTS-Plus — Artificial Analysis에 기록된 기준 100만 자당 $19.3: 시간당 약 $1.04.

보드에서 직접 확인할 수 있는 불일치에 주목하십시오: Artificial Analysis는 두 Qwen 세대 모두를 100만 자당 $19.3로 표시하지만, Alibaba의 Model Studio 카드에서는 3.0-Plus가 $27.59라고 나옵니다. 이는 두 가지 도구, 즉 벤더의 정가와 보드의 정규화이며, 어느 것도 약정 물량 가격이 논의에 들어오면 받게 될 청구서는 아닙니다. 위의 시간당 수치는 각 숫자를 표기된 그대로 사용하므로, 3.1 요율은 비교 단위로, 3.0 요율은 정가에 가장 가까운 것으로 취급하십시오.

AssemblyAI는 세 가지 중 가장 저렴하며, 현재 Qwen 티어보다 22%, 이 글 제목에 등장하는 티어보다 45% 더 쌉니다. 그러나 돈이 달려 있는 곳은 가격 열이 아닙니다. 돈은 처리량 열에 있습니다. 왜냐하면 실시간 계수 1.0으로 동작하는 모델은 초당 162자를 처리하는 모델보다 동시 통화자 한 명당 대략 열 배의 하드웨어를 필요로 하며, 호스팅 방식의 문자당 과금은 그 배수를 제공업체의 용량 계획 속에 숨겨 두었다가 피크 시점에 스로틀링이나 지연으로 표면화되기 때문입니다.

라우터가 여기서 실제로 더하는 것

이 결정을 앞둔 팀에게 현실적인 배포 방식은 어느 한 모델만으로는 아닙니다. 영어 턴은 저렴하고 빠른 엔드포인트에서, 비영어 턴은 Qwen 티어에서 처리하며 호출자의 언어에 따라 전환하는 것입니다. 이는 모델 문제가 아니라 라우팅 문제입니다. 바로 이 계층을 OrcaRouter가 나머지 스택 전반에 걸쳐 제공합니다: 200개 이상 모델을 공급자 정가에 0% 마크업으로 이용할 수 있는 단일 API, 공급자 성능이 저하될 때 자동 페일오버, 그리고 여러 모델을 단일 엔드포인트 뒤에 구성하는 라우팅 DSL 여러 계약과 여러 SDK 대신.

그것이 의미하는 것과 의미하지 않는 것을 정확히 말하자면: 현재 OrcaRouter 카탈로그에는 AssemblyAI-TTS-1도, 어떤 Qwen-Audio TTS 등급도 없습니다. 우리가 라우팅하는 음성 모델은 OpenAI의 tts-1, tts-1-hd, gpt-4o-mini-tts와 Google의 Gemini TTS 프리뷰입니다. 따라서 이 라우팅 논거는 TTS가 읽는 문장을 작성하는 언어 모델, 그리고 나중에 추가하더라도 우리가 실제로 취급하는 음성 모델에 적용되는 것이지, 이 두 가지에는 해당하지 않습니다.

이 비교는 실제로 누구를 위한 것인가

Qwen-Audio-3.1-TTS-Plus를 구매하세요 — 3.0이 아니라 — 에이전트가 6개 이상의 언어를 구사해야 한다면, 단순 낭독이 아닌 연출된 퍼포먼스가 필요하다면, 또는 이미 Alibaba Cloud 안에 있어 계약이 제약 조건이라면. 블라인드 보드에서 3위이고, 시간당 $1.04이며, 커밋하기 전에 자체 동시성 목표에 맞춰 테스트해야 할 것은 바로 생성 속도입니다.

영어 우선 전화 대화를 대량으로 처리하는 워크로드라면 AssemblyAI-TTS-1을 구매하십시오. 단일 정액 $15 요금, 요금 없는 무제한 동시 처리, 초당 162자 여유, 단어 타임스탬프와 내장된 바지인(barge-in) 취소 기능, 그리고 벤더가 주장하는 90 ms에 맞서 저울질할 수 있는 독립 측정 지연 시간 159 ms를 갖추고 있습니다. 하지만 언어 10종, 제어 태그 86종, 그리고 사전으로 잘못 발음된 약어를 고칠 수 있는 능력을 포기한다는 점, 그리고 독립 평가에서 가장 약한 하위 점수인 약어 확장 73.8%가 바로 발신자가 알아차리는 실패 유형이라는 점을 받아들이십시오.

피해야 할 실수는 바로 이 글의 제목이 부추긴 실수입니다. 7월 모델의 점수를 10월의 결정에 인용한 뒤, 통합 단계에서야 인용했던 등급이 바로 그 모델을 대체한 등급이었다는 사실을 발견하는 것 말입니다. 무엇과 비교하기 전에, 실제로 판매되는 것이 어느 Qwen인지부터 확인하십시오.