Grok Voice 3.0 vs Qwen-Audio-3.0-TTS: 이들 중 하나는 당신의 말을 들을 수 있으며, 그것은 더 저렴한 쪽이 아니다

두 요금표를 나란히 놓고 보면 알리바바의 모델이 세 배 차이로 앞선다. Qwen-Audio-3.0-TTS는 백만 자당 $27.6, 대략 시간당 $1.66어치의 오디오로 음성을 생성하며, 오늘날 Alibaba Cloud Model Studio를 통해 호스팅 API로 이용할 수 있다. Grok Voice 3.0은 2026년 10월 14일 SpaceXAI가 발표했으며, 오디오 분당 $0.08, 즉 시간당 $4.80에 텍스트 입력당 $0.004를 더해 청구한다. 나레이터가 더 저렴한 제품이고, 그 나레이터는 당신이 하는 말을 들을 수 없다. Qwen-Audio-3.0-TTS는 텍스트 음성 변환 모델이다. Grok Voice 3.0은 당신이 말을 끝냈는지 초당 여러 번 판단해야 하는 전이중 음성 대 음성 모델이다. 시간당 오디오는 둘 중 정확히 하나에만 맞는 지표다.

그것이 한 문단으로 정리된 전체 맞대결 구도이고, 그 아래에 있는 모든 내용이 바로 배포를 결정짓는 부분입니다. 즉, 주변 파이프라인의 각 단계까지 따져보았을 때 각각을 운영하는 데 드는 비용 말입니다.

하나는 대본을 만들어 내고, 다른 하나는 전화를 받는다.

텍스트 음성 변환은 텍스트를 받아 오디오를 반환합니다. 입력 오디오도 없고, 넘겨받을 차례도 없고, 방해받는다는 개념도 없고, 돌아오는 스크립트도 없습니다. 모델은 아무것도 들은 적이 없기 때문입니다. 이 모델의 비용 구조는 인쇄기와 같습니다. 페이지를 넣으면 오디오가 나오죠. 중요한 숫자는 품질과 처리량, 이 두 가지뿐이며, 둘 다 출시 전에 측정할 수 있습니다.

전이중 모델은 나가는 오디오를 생성하는 동시에 들어오는 오디오를 처리한다. 그 역할에는 단어와는 아무 관련이 없는 대화의 부분들도 포함된다. 발신자가 멈추면 멈추고, 맞장구를 방해로 취급하지 않고 그대로 이어가며, 문장 중간에 발언권을 넘기고, 대화의 흐름을 놓치지 않고 도구 호출을 실행하는 것. Grok Voice 3.0은 이 모든 것을 해내고 세션과 함께 대화 기록을 반환하는데, 이는 내내 듣고 있었기 때문에 가능한 일이다.

제품이 기사를 소리 내어 읽거나 문서를 오디오로 변환하거나 비디오를 내레이션한다면, Grok Voice 3.0은 시간당 가격이 세 배나 되는데도 잘못된 도구이며, 스크립트를 받아 파일을 생성하지 못하므로 그 작업을 전혀 수행할 수 없습니다. 제품이 전화 통화를 받는다면, Qwen-Audio-3.0-TTS는 대화가 되기 위해 여전히 음성 인식과 언어 모델이 필요한 파이프라인의 3분의 1에 불과하며, 그러한 각 단계는 비용, 지연 시간, 그리고 운율이 죽는 경계를 추가합니다.

Qwen-Audio-3.0-TTS가 진정으로 강력한 부분

알리바바 모델을 지지하는 근거는 마케팅이 아니다. 2026년 7월 20일 알리바바의 Tongyi Lab에서 공개되어 호스팅형 폐쇄 API로 제공된 Plus 티어는 등장 당시 Artificial Analysis의 텍스트 음성 변환 아레나에서 1위를 차지했다. 리더보드는 변하고, 이 리더보드도 변했다: 2026년 9월 기준 Qwen-Audio-3.0-TTS-Plus는 2,306개 샘플에서 Elo 1,232로 Provider Voice Arena 4위에 올라 있으며, 1,275의 Cartesia Sonic 3.6, 1,244의 Inworld Realtime TTS-2, 1,233의 Speechify Simba 3.2 뒤에 있다 — 모두 이 모델보다 나중에 출시된 7월과 8월의 모델 세 개다. 20개가 넘는 모델 중 4위는, 선두 자리는 잃었지만 가격 우위는 그대로인 상태로도 여전히 강력한 위치다. 다만 출시 보도가 묘사한 위치는 아니다.

• 언어 지원 범위 — 16개 언어, 그중 10개 언어에서 선두 위치를 차지하고 있으며, 20개 중국 방언 지역 포함.

• 음성 복제 — 짧은 참조 샘플로부터, 교차 언어 복제 포함.

• 표현력 제어 — 86개의 인라인 감정 및 전달 태그.

• 처리량 — Plus는 대략 초당 16자를 생성합니다. 배치 렌더링에서는 눈에 띄지 않지만, 실시간 제품에서는 버퍼를 결정하는 수치입니다.

• 티어 — Flash는 실시간 재생을 위해 첫 패킷 지연 시간 약 300ms를 목표로 합니다. Plus는 품질 티어입니다. 이들은 이름을 공유하는 서로 다른 제품이며, 잘못된 쪽을 고르는 것은 흔한 첫 실수입니다.

• 문서 불일치 — 널리 인용되는 백만 자당 $27.6은 모든 스냅샷에서 알리바바 자체 가격 페이지와 일치하지 않으며, 일부 시점에서는 두 티어 모두에 대해 더 낮은 수치를 기재한 적이 있습니다. 예측하기 전에 리더보드의 수치가 아니라 계정 수준에서 그 숫자를 확인하세요.

계획할 때 염두에 두어야 할 두 가지 주의사항이 있습니다. 지원 언어가 열여섯 개임에도 불구하고, 공개된 프리셋 음성은 거의 전부 중국어와 영어이며, 나머지 열네 개 언어는 기본 제공이 아니라 복제(cloning) 워크플로를 통해 존재합니다. 또한 86개의 인라인 감정 태그는 단방향 스트리밍 모드에서만 작동하므로, 표현 제어 기능이 모든 통합 경로에서 유지되지는 않습니다.

주의해야 할 버전도 있습니다. 알리바바는 이제 Qwen-Audio-3.1-TTS 세대와 별도의 Qwen Audio 3.0 Realtime 패밀리를 목록에 올리고 있는데, 이들은 Qwen-Audio-3.0-TTS와 같은 모델이 아닙니다 — Realtime 라인은 완전히 다른 리더보드에 나타나는 음성 대 음성 제품입니다. "Qwen Audio 3.0"을 대화형 모델과 비교하는 사람이라면 누구든, 자신이 실제로 알리바바 자체 가격표의 어느 행을 읽고 있는지 확인해야 합니다.

Grok Voice 3.0의 비용, 그리고 그것이 해결하지 못하는 것

Grok Voice 3.0은 2026년 10월 14일 오디오 분당 $0.08에 텍스트 입력당 $0.004로 출시되었으며, 대체하는 모델과 가격은 동일합니다. 이제 grok-voice-latest는 이 모델을 가리키고 grok-voice-2.0은 deprecated로 표시됩니다. Artificial Analysis의 Speech to Speech Index에서 이 모델은 86.9로 최상단을 유지하고 있으며, 가장 높은 구성 요소는 τ-Voice에서 71.6%를 기록한 에이전트 성능으로, 이전 모델의 56.5%와 대비됩니다 — 이번 릴리스에서 가장 큰 단일 상승폭입니다.

지연 시간 주장은 두 모델이 마침내 같은 단위를 공유하는 지점이다. Grok Voice 3.0은 첫 오디오까지 0.81초를 공개하는데, 이는 프런티어 대화형 모델 중 가장 빠른 수치다. Qwen Audio의 Flash 티어는 대략 300ms의 첫 패킷을 목표로 한다. 이 둘은 같은 측정이 아니다: 300ms는 이미 텍스트를 가지고 있는 렌더링 작업의 첫 패킷까지 걸리는 시간이고, 0.81초는 사람이 말을 멈춘 뒤 말을 시작하기까지의 시간으로, 여기에는 당신의 차례였다는 판단이 포함된다. 약 2.5배의 지연 시간은 방해받을 수 있는 능력을 얻는 대가다. 그것이 가치가 있는지는 전적으로 반대편에 사람이 있는지에 달려 있다.

Grok Voice 3.0은 또한 TTS 모델이 사용자에게 맡기는 음성 제품의 요소들, 즉 전이중 세션, 서버 측 턴 감지, 대화 중간에 에이전트가 백엔드를 호출할 수 있게 하는 세션 범위 도구, 그리고 그와 함께 반환되는 전사를 제공합니다. 하지만 대본 낭독 모드, 교차 언어용으로 문서화된 클로닝, 기능으로 홍보되는 16개 언어는 제공하지 않습니다. 이 제품의 공략 가능한 사용 사례는 TTS 모델보다 더 좁고, 시간당 수치는 더 높습니다.

캐스케이드 법안의 솔직한 버전

텍스트 음성 변환 모델을 기반으로 구축된 대화형 제품은 하나의 캐스케이드입니다: 음성 인식 모델이 통화자의 말을 텍스트로 바꾸고, 언어 모델이 무엇을 말할지 결정하며, TTS 모델이 그것을 소리 내어 말합니다. 세 개의 공급업체, 세 개의 청구서, 합산되는 세 개의 지연 시간 예산, 그리고 각 경계에서의 핸드오프. TTS 구간은 오디오 1시간당 1.66달러가 들 수 있습니다. 나머지 두 구간이 바로 돈과 실수가 실제로 발생하는 곳이며, 캐스케이드는 이미 말하고 있는 문장 중간의 멈춤을 들을 수 없습니다.

Grok Voice 3.0은 세 축을 하나의 세션과 하나의 미터로 합칩니다 — 청구서를 정직하게 유지하는 두 가지 세부 사항과 함께. 도구 호출과 위임된 추론은 이를 응답하는 백엔드에서 해당 모델 자체의 요율로 실행되므로, 에이전트를 매 턴마다 검색하는 프런티어 추론 모델로 지정하면 값싼 음성 계층 뒤에서 값비싼 호출이 발생합니다. 그리고 월 300,000분 기준으로, 요금표는 음성 부분만 $24,000입니다.

그 두 번째 기준은 이 비교가 모델 선택을 넘어 아키텍처 선택이 되는 지점이며, 라우팅 계층이 존재 가치를 입증하는 곳입니다. OrcaRouter는 Grok Voice 3.0도 Qwen-Audio-3.0-TTS도 제공하지 않습니다. 두 경우 모두 음성 계층은 우리가 접근할 수 없는 영역이고 우리는 그것을 전혀 라우팅하지 않습니다. 추론 구간은 그렇지 않습니다. 12개 이상의 업스트림에서 온 207개 모델이 하나의 키 뒤에 있습니다 공급자 정가로 마크업 없이, 그리고 공급자의 가격 인하는 다음 계약 갱신 때가 아니라 같은 날 적용됩니다. 중간 구간을 완전히 커버하는 캐스케이드를 위해서는: 두 개의 음성 인식 옵션과 세 개의 추론 모델을 하나의 엔드포인트 뒤에 두고, 실제 트래픽으로 A/B 테스트하고, 자동 장애 조치가 통화를 끊지 않고 업스트림 장애를 흡수하도록 하세요. 라우팅 DSL은 단일 추론 모델로 충분하지 않은 경우를 위해 여러 모델을 하나의 호출로 구성합니다.

한 가지 질문으로 선택하기

출력이 콘텐츠(내레이션, 현지화, 접근성 오디오, 더빙)이거나 오디오보다 텍스트가 먼저 존재하고 렌더링된 시간당 품질이 지표인 워크플로라면 Qwen-Audio-3.0-TTS를 구매하세요. 실시간 재생이 필요하면 Flash로 시작하고, 음성 자체가 결과물이라면 Plus로 옮기세요. 클로닝 워크플로는 프리셋 음성과 별도로 가격을 책정하고, 백만 문자당 요금을 계정 수준에서 확인한 뒤 이를 바탕으로 예측을 세우세요.

입력이 사람일 때는 Grok Voice 3.0을 구매하세요. 고객 지원 전화선, 예약 흐름, 접수 인터뷰, 즉 발신자의 첫 음절이 모델이 문장을 말하는 도중에 도착하고 시스템이 재생기가 아니라 청취자처럼 행동해야 하는 모든 상황입니다. 오디오 1시간당 비용이 더 많이 들고, 문서를 읽을 수 없으며, 둘 중 유일하게 말을 끊을 수 있는 쪽입니다.

실제 제품 중 상당수는 둘 다를 원한다 — 오디오 자산을 생성하는 렌더링 모델과 그 자산이 속한 통화를 처리하는 듀플렉스 모델을. 그 둘이 공유해서는 안 되는 것은 비용 모델이다. 오디오 1시간당이 이 둘 중 하나에 맞는 단위이고, 나머지 하나의 실제 비용은 캐스케이드를 구축하지 않음으로써 피한 파이프라인이다.