AssemblyAI-TTS-1 vs Qwen-Audio-3.0-TTS: Het model in de titel is niet het model dat je moet kopen

Deze vergelijking noemt Qwen-Audio-3.0-TTS, en dat is een probleem dat het waard is om op te lossen voordat er cijfers worden genoemd. Alibaba heeft 3.0 op 23 september 2026 als vlaggenschipmodel voor spraak buiten gebruik genomen, toen de Qwen-Audio-3.1-serie op de Apsara Conference werd gelanceerd en Qwen-Audio-3.1-TTS-Plus bovenaan zijn eigen TTS-lijn zette. Dus de eerlijke versie van deze vergelijking is drie modellen, niet twee — AssemblyAI-TTS-1, het gesloten endpoint van $15 per miljoen tekens dat op 27 oktober 2026 algemeen beschikbaar werd, tegenover beide generaties van de spraakstack van Qwen — en het antwoord verandert afhankelijk van welke Qwen je eigenlijk bedoelde. Als in je contract, je integratie of je inkoopnotitie 3.0 staat, lees de volgende sectie. Als daar 3.1 staat, sla die over.

Eerst de correctie: 3.0 is niet de huidige Qwen.

Qwen-Audio-3.0-TTS is op 20 juli 2026 in twee varianten verschenen. Flash was gebouwd voor realtime gebruik met een latentie tot het eerste pakket van ongeveer 300 ms; Plus was de kwaliteitsvariant voor $27,59 per miljoen tekens via Alibaba Cloud Model Studio. De familie dekt 16 talen plus 20 Chinese dialectregio's, ondersteunt 86 inline-besturingstags zoals [angry] en [giggles] naast vrije stijlrichting in natuurlijke taal, doet ruisrobuust zero-shot klonen, levert uitvoer op 48 kHz en synthetiseert tot drie minuten in één pass. Het is closed en uitsluitend gehost — geen open gewichten, wat een bewuste breuk was met Alibaba's eerdere open-weight Qwen3-TTS.

Tien weken later verving de 3.1-stack het in ASR, TTS, TTS-Next en realtime. De 3.1-TTS-tier heeft dezelfde line-up van 8 stemmen, staat in de prijskolom van Artificial Analysis vermeld op $19,3 per miljoen tekens, en is de variant die de meeste Qwen-vergelijkingen sinds eind september eigenlijk op het oog hebben. Praktisch gezien: 3.0 is nog steeds aanroepbaar als je al geïntegreerd bent, 3.1 is wat een nieuwe koper als prijsopgave krijgt, en elk artikel dat de score van 3.0 uit juli naast een lancering in oktober zet zonder dat te vermelden, probeert je een verouderde vergelijking te verkopen.

Het bestuur, eenmaal gelezen, voor alle drie.

Artificial Analysis's Provider Voice Arena, gelezen op 30 oktober 2026, dus één instrument voor elke rij hieronder:

• Qwen-Audio-3.1-TTS-Plus — derde, 1.305 Elo, 2.281 samples, uitgebracht in september 2026.

• Qwen-Audio-3.0-TTS-Plus — zevende, 1.269 Elo, 2.794 samples, uitgebracht juni–juli 2026.

• AssemblyAI-TTS-1 — veertiende, 1.227 Elo, 1.632 samples, uitgebracht in oktober 2026.

• ElevenLabs Eleven v4 Turbo en Eleven v4 staan op de eerste en tweede plaats met 1.336 en 1.334, als referentiepunt waar dit artikel niet over gaat.

De kloof van 78 punten tussen AssemblyAI-TTS-1 en het huidige Qwen TTS-niveau is reëel, maar niet de grootste kloof in deze onderlinge vergelijking — ElevenLabs staat 31 punten boven Qwen en 109 boven AssemblyAI volgens dezelfde meting. Belangrijker is dat een rij van 1.632 samples voor een model dat vier dagen oud is, zwak bewijs vormt, en dat de intervallen op dat scorebord breed genoeg zijn dat een nieuwe run AssemblyAI-TTS-1 een paar plaatsen kan verschuiven zonder dat er iets aan het model verandert.

Zestien tekens per seconde is het getal dat dit bepaalt

Hier is de meting die bijna niemand in een Qwen-vergelijking opneemt, en het is precies degene die van belang is voor de taak waarvoor AssemblyAI-TTS-1 is gebouwd.

Artificial Analysis meet AssemblyAI-TTS-1 op 162 tekens per seconde synthese. Qwen-Audio-3.0-TTS-Plus genereert, op dezelfde manier gemeten, ongeveer 16 tekens per seconde — het langzaamste model in de buurt van de top van de arena. De 3.1-variant verbeterde dat, maar de generatiesnelheid blijft het zwakke punt van de familie, niet haar sterkte.

Zet het nu om naar de enige eenheid die voor een live agent telt. Gewone spraak loopt op ongeveer 900 tekens per minuut, ofwel 15 tekens per seconde. Een model dat 16 tekens per seconde genereert, zit afgezien van afrondingsfouten op realtimefactor 1,0 — het kan net één afspeelstream voorblijven, en het kan twee gelijktijdige gesprekken niet bedienen zonder extra hardware erachter. Een model op 162 tekens per seconde heeft ruwweg tien streams aan speling per eenheid van dezelfde rekenkracht.

Dat plaatst het Elo-verschil in een ander perspectief. Een tekort van 78 punten in blinde voorkeur is een kwaliteitsvraag die je met je eigen corpus kunt beantwoorden. Een tienvoudig doorvoertekort is een capaciteitsvraag die zich als een rekening aandient, omdat de oplossing meer GPU-seconden per gelijktijdige aanvrager is, en bij Alibaba's hosted pricing is dat geen hefboom die je zelf in de hand hebt.

Beide voorbehouden, duidelijk gezegd. Dit zijn twee leveranciers die met één instrument zijn gemeten, niet in een gecontroleerde directe vergelijking; de generatiedoorvoer hangt af van hardware, batching en sequentielengte. En Qwens 12,5 Hz spraaktokenizer — bewust laag in vergelijking met de gebruikelijke 50–75 Hz — is wat de first-packet-latentie ervan op de Flash-tier rond 300 ms houdt. Qwen optimaliseerde voor latentie tot het eerste geluid. AssemblyAI optimaliseerde voor tekens per seconde zodra de beurt begint. Dat zijn verschillende keuzes, en een telefoonagent merkt beide.

Op het gebied van talen en controletags is Qwen nog verre van verslagen.

Als het doorvoerargument de callcenterzaak beslist, beslist het taalargument alles andere, en het is niet subtiel:

• Dekking — Qwen-Audio-3.0-TTS ondersteunt 16 talen en 20 Chinese dialectregio's; AssemblyAI-TTS-1 werd gelanceerd met zes talen (Engels, Spaans, Frans, Duits, Italiaans, Portugees) en meerdere accenten binnen elk daarvan.

• Richting — Qwen biedt 86 inline besturingstags plus vrij geformuleerde stijlprompts; AssemblyAI-TTS-1 heeft bij de lancering geen emotietags, geen SSML, geen snelheidsparameter en geen uitspraakwoordenboek, en in zijn eigen bericht staat dat geschreven disfluenties worden voorgelezen zoals ze geschreven zijn, niet geacteerd.

• Klonen — Qwen doet ruisrobuust zero-shot-kloonen; AssemblyAI doet direct kloonen op basis van een sample van 24 seconden, met een bevestigingsstap voor toestemming van de spreker. Geen van beide biedt een getraind professioneel kloonniveau; dat is een ElevenLabs-product, niet iets van Qwen of AssemblyAI.

Uitvoer — Qwen synthetiseert bij 48 kHz met een maximum van drie minuten voor een enkele doorgang; AssemblyAI streamt 8–48 kHz PCM, µ-law of A-law met woordtijdstempels en een barge-in-annuleringsbericht, precies de infrastructuur die een telefonie-stack echt nodig heeft.

• Openheid — geen van beide publiceert modelgewichten. Beide zijn uitsluitend gehost, in-regio en door de leverancier geprijsd.

Die tabel heeft een duidelijke boodschap: AssemblyAI-TTS-1 is geen meertalig product en pretendeert dat ook niet te zijn. Als je agent Japans, Koreaans of Mandarijn moet spreken, is de Qwen-familie het antwoord en eindigt dit artikel hier. Als je agent Engels spreekt met Engelstalige bellers en af en toe Spaans, zijn zes talen genoeg en betaal je met de Qwen-mogelijkhedenlijst voor functies die je prompts nooit zullen gebruiken.

Prijs per uur, op drie manieren

Met dezelfde schatting als overal elders in deze reeks — ongeveer 900 tekens spraak per minuut, dus ruwweg 54.000 per uur — bedragen de kosten van synthese per uur:

• AssemblyAI-TTS-1 — $15 per miljoen tekens, alle stemmen en talen en klonen inbegrepen, onbeperkte gelijktijdigheid zonder kosten: ongeveer $0,81 per uur audio.

• Qwen-Audio-3.0-TTS-Plus — $27,59 per miljoen tekens op Alibaba Cloud Model Studio: ongeveer $1,49 per uur.

• Qwen-Audio-3.1-TTS-Plus — $19,3 per miljoen tekens, volgens Artificial Analysis: ongeveer $1,04 per uur.

Let op het verschil dat je zelf op het board kunt zien: Artificial Analysis vermeldt beide Qwen-generaties op $19,3 per miljoen tekens, terwijl de Model Studio-kaart van Alibaba voor 3.0-Plus $27,59 aangeeft. Dat zijn twee instrumenten — de lijstprijs van de leverancier en de normalisatie van het board — en geen van beide is de factuur die je ontvangt zodra prijsstelling voor toegezegd volume ter sprake komt. De uurlijkse cijfers hierboven gebruiken elk getal zoals het is gelabeld, dus behandel het 3.1-tarief als vergelijkingseenheid en het 3.0-tarief als het dichtstbij komende bij een lijstprijs.

AssemblyAI is de goedkoopste van de drie, met 22% voorsprong op de huidige Qwen-tier en 45% op die uit de titel van dit artikel. Maar het geld zit niet in de prijskolom. Het geld zit in de doorvoerkolom, omdat een model met een realtimefactor van 1,0 ongeveer tien keer zoveel hardware per gelijktijdige gebruiker nodig heeft als een model dat 162 tekens per seconde verwerkt — en prijsstelling per teken bij een hosted dienst verbergt die vermenigvuldiger in de capaciteitsplanning van de aanbieder, totdat die zich op piekmomenten uit als throttling of latency.

Wat een router hier eigenlijk toevoegt

De realistische implementatie voor een team dat voor deze beslissing staat, is geen van beide modellen alleen. Het zijn Engelse gespreksbeurten op het goedkope, snelle endpoint en niet-Engelse gespreksbeurten op de Qwen-tier, geschakeld op basis van de taal van de beller — wat een routeringsprobleem is, geen modelprobleem. Dat is de laag die OrcaRouter voor de rest van de stack afdekt: één API voor meer dan 200 modellen tegen de listprijs van de provider met 0% markup, automatische failover wanneer een provider verslechtert, en een routing-DSL die meerdere modellen achter één endpoint samenbrengt in plaats van meerdere contracten en meerdere SDK's.

Om precies te zijn over wat dat wel en niet betekent: noch AssemblyAI-TTS-1 noch enige Qwen-Audio TTS-tier staat vandaag in de OrcaRouter-catalogus. De spraakmodellen die wij routeren zijn tts-1, tts-1-hd en gpt-4o-mini-tts van OpenAI en de Gemini TTS-previews van Google. Het routeringsargument geldt dus voor het taalmodel dat de zin schrijft die jouw TTS voorleest, en voor elk spraakmodel dat je later toevoegt en dat wij wel aanbieden — niet voor deze twee.

Voor wie deze vergelijking eigenlijk bedoeld is

Koop Qwen-Audio-3.1-TTS-Plus — niet 3.0 — als je agent meer dan zes talen moet spreken, als je gerichte performance nodig hebt in plaats van gewoon voorlezen, of als je al binnen Alibaba Cloud zit en het contract de beperkende factor is. Het staat derde op de blinde ranglijst, het kost $1,04 per uur, en zijn generatiesnelheid is het punt dat je tegen je eigen gelijktijdigheidsdoel moet testen voordat je je vastlegt.

Koop AssemblyAI-TTS-1 als de werklast telefoongesprekken op volume met Engels als eerste taal betreft: één vast tarief van $15, onbeperkte gelijktijdigheid zonder kosten, 162 tekens per seconde aan marge, woordtijdstempels en een ingebouwde barge-in-annulering, en een onafhankelijke latentiemeting van 159 ms om af te wegen tegen een leveranciersclaim van 90 ms. Accepteer dat je tien talen, 86 besturingstags en elke mogelijkheid opgeeft om een verkeerd uitgesproken afkorting met een woordenboek te corrigeren — en dat zijn zwakste onafhankelijke subscore, 73,8% bij het uitschrijven van afkortingen, precies de fout is die een beller opmerkt.

De fout die je moet vermijden, is precies degene waartoe de titel van dit stuk uitnodigde: een score van een model uit juli citeren in een beslissing uit oktober, en dan bij de integratie ontdekken dat de tier die je werd voorgehouden, juist degene is die het heeft vervangen. Controleer welke Qwen je eigenlijk wordt verkocht voordat je hem met iets vergelijkt.