Voxtral 3 TTS 대 Qwen-Audio-3.0-TTS-Plus: 두 가지 저렴한 음성, 두 가지 다른 지도

이 두 모델은 모두 프런티어보다 저렴하고 둘 다 그 밖에 있으므로, Voxtral 3 T​TS와 Q​wen-Audio-3.0-T​TS-Plus 중에서 고르는 일은 품질이 아니라 커버리지에 관한 질문이 됩니다. Artificial Analysis의 Provider Voice 보드에서 두 모델은 Elo 점수가 47점 차이입니다. Q​wen은 1,264(#7), Mistral의 새 모델은 1,217(#13)이며, 가격은 백만 문자당 $19.31과 $13.00입니다. 어느 격차도 결정적이지 않습니다. 결정적인 것은 A​libaba의 모델이 20개 방언 지역과 86개의 인라인 전달 태그를 포함한 중국어를 중심으로 만들어졌고, Mistral의 모델은 유럽연합의 24개 공식 언어를 중심으로 만들어졌다는 점입니다. 제품이 표준 중국어, 광둥어, 푸젠어를 구사한다면 논쟁은 언어 목록에서 끝납니다. 포르투갈어, 폴란드어, 네덜란드어를 구사한다면 역시 다른 방향으로 거기서 끝납니다. 이와 같은 릴리스 뒤에 있는 문서화된 AI 실패와 에이전트 사건은 the OrcaRouter AI Incident Archive에 수집되어 있으며, 각 항목에는 자체 출처, 심각도, 신뢰도 등급 및 이의 제기 플래그가 포함되어 있습니다.

숫자, 그리고 그 숫자가 얼마나 큰 비중을 차지하는지

• 공급자 음성 Elo — Q​wen-Audio-3.0-T​TS-Plus: 1,264. Voxtral 3 T​TS: 1,217. 둘 다 2026년 10월 21일 Artificial Analysis 기준.

• {{1}}통제된 음성 Elo{{/1}} — Q​wen-Audio-3.0-T​TS-Plus: 1,125 (#7). Voxtral 3 T​TS: 1,066 (#14). 둘 다 동일한 8개의 참조 음성으로 클로닝되면 격차는 47점에서 59점으로 벌어지며, 이는 {{2}}A​libaba의 우위{{/2}}가 음성 라이브러리가 아니라 합성 엔진에 있음을 의미한다.

• 100만 문자당 가격 — Q​wen-Audio-3.0-T​TS-Plus는 $19.31, V​oxtral 3 T​TS는 $13.00. 음성 1분당 약 900자 기준으로 하면 시간당 $1.04 대 $0.70입니다.

• 언어 — A​libaba: {{1}}16{{/1}}개 언어 및 {{2}}20{{/2}}개 중국어 방언 지역. Mistral: 35개 이상 언어와 50개 이상 방언, 18개 언어 프리셋 포함.

• 음성 복제 — Alibaba: 언어 간 음색 전이를 포함한 참조 오디오 복제. Mistral: 30분 분량의 오디오로 "Pro Voice"를 적응. 두 회사 모두 Cartesia가 판매하는 10초 즉석 복제 기능은 제공하지 않는다.

• 가중치 — 양쪽 모두 비공개입니다. 두 제품 모두 API 전용 제품입니다.

• 지연 시간 — A​libaba는 인식 모델과 실시간 음성 모델에 대해 첫 글자 스트리밍 수치를 각각 공개합니다; Mistral은 Voxtral 3 T​TS의 첫 오디오까지 걸리는 시간을 공개하지 않습니다. 두 수치 모두 공급업체 간에 비교할 수 없으며, 합성의 경우 어느 것도 독립적인 측정값이 아닙니다.

Elo 수치에 관한 한 가지 주의점: 이 수치를 읽었을 당시 Voxtral 3 T​TS는 보드에 올라온 지 하루밖에 되지 않았고, Q​wen의 2,399건에 비해 1,619건의 비교가 있었습니다. 그 표본 크기에서 겹치는 신뢰구간 안의 47점 차이는 판정이 아니라 방향성입니다. 이를 측정된 47점으로 읽지 말고 "Q​wen이 아마 다소 앞서 있을 것이다"로 읽으십시오.

Alibaba의 모델이 승리하는 지점, 그리고 그것은 근소한 승리가 아니다

중국어 지원 범위는 첫 번째이자 가장 큰 차이점이며, '20개 방언 지역'이 의미하는 바를 정확히 짚고 넘어갈 가치가 있습니다. Alibaba의 음성 제품군은 하나의 문자 언어가 만다린 전용 모델에서는 제대로 처리되지 못하는 음성과 대응하는 국내 시장을 위해 구축되었습니다. 광둥어, 쓰촨어, 우어, 민난어 등이 그렇습니다. Qwen-Audio-3.0-TTS-Plus는 이러한 지역을 기본적으로 지원하며, Alibaba의 3.1 세대는 교차 언어 음색 전이, 즉 하나의 목소리를 만다린, 광둥어, 영어, 일본어에 걸쳐 유지하는 기능을 추가했습니다. 이는 시장별로 성우를 캐스팅하는 대신 단일 발표자를 현지화할 때 중요한 기능입니다.

두 번째는 토큰 수준의 전달 제어입니다. Q​wen-Audio-3.0-T​TS-Plus는 해당 세대에서 문서화된 86개의 인라인 전달 태그 세트를 계승하여, 스크립트가 감정, 속도, 강조 마커를 대본에 직접 담을 수 있게 합니다. Mistral의 Voxtral 3 T​TS는 감정, 속도, 강조에 대한 프롬프트 수준 제어와 함께 음소 수준 발음 및 어휘 라이브러리를 제공합니다 — 의도 면에서는 비슷하지만, 서류상으로는 A​libaba의 태그 어휘가 둘 중 더 세분화되어 있습니다.

세 번째는 Alibaba가 더 저렴한 형제 제품을 출시했다는 점입니다. 3.1 리프레시로 TTS가 Flash 등급 SKU가 되면서, 3.0-Plus 등급이 너무 비싸다고 판단하는 팀은 동일 벤더 내에서 문서화된 다운그레이드 경로를 갖게 되었고, 가격대는 Voxtral 3 TTS와 대략 비슷합니다. "더 저렴하게 해달라"는 요청에 대한 Mistral의 답은 같은 모델 아니면 다른 벤더입니다.

Alibaba의 모델이 더 약한 부분도 마찬가지로 분명합니다: 16개 언어는 작은 지도에 불과합니다. 귀하의 카탈로그가 폴란드어, 터키어, 베트남어 또는 포르투갈어로 운영된다면, Qwen-Audio-3.0-TTS-Plus는 귀하를 커버하지 못하며, 아무리 많은 Elo 점수도 그 격차를 메우지 못합니다.

Voxtral 3 T​TS가 우세한 부분

아시아 외 지역의 언어 폭은 단순명료합니다. 35개 이상의 언어와 50개 이상의 방언을 지원한다고 주장하며, 유럽 조달을 겨냥한 제품군인 Mistral은 전사 모델 전반에서 EU 공식 언어 24개를 모두 지원한다고 밝히고, EU, US 및 글로벌 API 엔드포인트를 제공하며, 오디오가 처리되는 위치와 보존 여부를 통제해야 하는 구매자를 위해 프라이빗 인프라에 자체 배포할 수 있습니다. 유럽 공공 부문이나 의료 구매자에게 이것은 타이브레이커가 아니라 필수 요건입니다.

두 번째는 이를 둘러싼 스택입니다. Voxtral 3 TTS는 단독 엔드포인트로 판매되지 않습니다. SIP, WebRTC, IVR을 지원하는 LiveKit 기반 에이전트 SDK와 함께 제공되며, 에이전트 턴 지연이 1초 미만이라는 주장과 전체 루프에 대한 분당 가격을 내세웁니다. Mistral Small 4 추론을 쓰면 $0.04, 다른 추론 모델을 쓰면 $0.08입니다. Alibaba에도 실시간 음성 모델이 있지만, Mistral의 제품은 공개된 분당 요금 수치가 있는 번들 제안으로 문서화되어 있어 토큰당 요금표보다 사업 타당성을 세우기가 더 쉽습니다.

세 번째는 가격이며, 그 차이는 크지 않다. $13 대 $19.31은 33% 할인이고, 규모가 커지면 이는 실제 숫자가 된다. 한 달 1만 시간이면 약 $7,000 대 $10,400이다. 가격 재책정 이벤트는 아니지만, 그렇다고 아무것도 아닌 것도 아니다.

여기서는 대부분의 맞대결보다 라우팅 근거가 더 강합니다.

대부분의 모델 대 모델 비교 글은 "하나를 고르라"로 끝난다. 이 두 모델의 조합은 진정한 포트폴리오 문제다. 두 모델의 커버리지 맵은 가장자리에서 거의 겹치지 않고, 둘 다 나란히 운영하기에 충분히 저렴하기 때문이다. 8개 EU 언어로 제품 페이지를 설명하면서 광둥어를 사용하는 고객층도 지원하는 유럽 전자상거래 플랫폼에는 둘 다 필요하다. 중국어 대사와 프랑스어 자막이 있는 시리즈를 작업하는 더빙 스튜디오도 마찬가지다.

둘 다 운영할 때 어색한 부분은 모델 선택이 아니라 배관 작업입니다: 두 벤더, 두 인증 방식, 두 결제 관계, 두 가지 장애 모드. OrcaRouter는 바로 이런 형태를 위해 존재합니다 — 200개 이상의 모델에 걸친 하나의 OpenAI 호환 키, 공급자 정가를 0% 마크업으로 그대로 전달해 벤더의 가격 변동이 당일 그대로 반영되도록 하고, 언어 태그가 붙은 요청을 해당 언어를 지원하는 모델로 보낼 수 있는 라우팅 DSL. 이 글을 쓰는 시점에 Voxtral 3 TTS도 Qwen-Audio-3.0-TTS-Plus도 OrcaRouter 카탈로그에 없으며, 200개 이상의 모델을 위한 하나의 API라는 것은 우리가 실제로 운영하는 카탈로그에 대한 주장이지 이 두 모델에 대한 것이 아닙니다 — 현재 둘 다 각 벤더의 자체 API와 여러 타사 플랫폼을 통해 접근합니다. 설계 요점은 그와 무관하게 유효합니다: 언어 매트릭스에 두 벤더가 필요하다면, 그 분기는 두 개의 코드 경로가 아니라 라우팅 규칙 안에 두는 것이 좋습니다.

어느 공급업체도 공개하지 않은 것

세 가지 공백이 있으며, 두 경우 모두 같은 세 가지라는 점은 이 시장 계층이 아직 얼마나 초기 단계인지를 말해준다.

언어별 점수는 없습니다. 두 Elo 수치 모두 집계 값입니다. 어떤 모델이 전체 1,264에 있으면서 중국어에서는 뛰어나고 프랑스어에서는 평범할 수 있습니다. 평가표로는 알 수 없고, 어느 공급업체도 언어별 분석을 공개하지 않습니다. 특정 언어의 품질에 따라 결정을 내려야 한다면, 유일하게 신뢰할 수 있는 테스트는 자체 코퍼스를 원어민이 읽게 하는 것입니다. 단, 어느 표본을 어느 모델이 만들었는지는 그 원어민에게 알리지 않아야 합니다.

장시간 지구력 수치는 없습니다. 아레나 클립은 몇 초 분량입니다. 두 모델 모두 TTS 엔드포인트의 최대 생성 길이를 문서로 밝히지 않았고, 10분 전체에 걸친 일관성 테스트도 공개하지 않았습니다. 오디오북이 성립하느냐 마느냐가 갈리는 길이가 바로 그 10분입니다. Qwen의 3.1 생성은 TTS 엔드포인트를 확장하는 대신 장시간 장면 생성을 별도의 -Next 모델로 옮겼는데, 이는 기본 모델이 장시간용 도구가 아니라는 점을 암묵적으로 인정한 것입니다.

독립적인 지연 시간 측정은 없습니다. Mistral은 Voxtral 3 TTS 합성에 대해 아무것도 공개하지 않으며, Alibaba는 공급업체 수치를 공개합니다. Artificial Analysis는 Voxtral 3 TTS의 처리량 중앙값을 초당 112자로 보고하지만, 같은 페이지에서 Qwen-Audio-3.0-TTS-Plus에 대해서는 보고하지 않습니다. 라이브 음성 에이전트에서는 첫 오디오까지의 시간이 Elo보다 제품 경험을 더 좌우하며, 이는 해당 카테고리에서 가장 문서화가 부족한 수치입니다.

정직한 분할

다음을 선택하세요: Q​wen-Audio-3.0-T​TS-Plus — 제품이 중국어를 구사한다면, 즉 지역 억양이 있는 만다린, 광둥어, 또는 중국어와 영어 간 코드 스위칭을 지원한다면 — 또는 전사 내 세밀한 전달 태그가 필요하고 플래그십 아래에 문서화된 더 저렴한 티어를 갖춘 공급업체를 원한다면. Voxtral보다 48% 더 비싸고 두 리더보드 모두에서 측정 가능할 정도로 앞서 있습니다. 중국어 우선 작업에는 그 비용이 아깝지 않습니다.

선택하세요Voxtral 3 TTS제품이 유럽 언어를 지원하거나, EU 내 데이터 상주가 조달 요건이거나, 음성 에이전트를 구축하면서 에이전트 SDK와 공개된 분당 가격이 함께 제공되는 합성 기능을 원한다면 47 Elo를 포기하는 대신 판매하는 모든 시장을 커버하는 언어 맵을 얻게 됩니다.

두 가지를 모두 선택하고 — 그 사이를 라우팅하세요 — 청중이 실제로 두 지도를 모두 아우른다면. 달러당 Elo로 따져 보면 둘은 충분히 비슷하므로 동점은 점수가 아니라 커버리지로 판가름해야 하며, 광저우와 그단스크에 고객을 둔 제품에는 하나의 정답이 없습니다.

주목할 점은 두 공급업체 중 한쪽이 언어별 세부 내역을 공개하는지 여부다. 한쪽이 공개하는 순간, 이 비교는 지도에 관한 논쟁이 아니라 측정에 관한 논쟁이 되며, 그쪽이 더 나은 논쟁이다.