Grok Voice 3.0 vs Qwen-Audio-3.0-TTS: Een van deze kan je horen, en dat is niet de goedkopere

Leg de twee tariefkaarten naast elkaar en het model van Alibaba wint met een factor drie. Qwen-Audio-3.0-TTSgenereert spraak tegen $27,6 per miljoen tekens, ongeveer $1,66 aan audio per uur, en is vandaag beschikbaar als gehoste API via Alibaba Cloud Model Studio. Grok Voice 3.0, aangekondigd door SpaceXAI op 14 oktober 2026, rekent $0,08 per minuut audio — $4,80 per uur — plus $0,004 per tekstinvoer. De verteller is het goedkopere product, en de verteller kan niets horen van wat je zegt. Qwen-Audio-3.0-TTS is een tekst-naar-spraakmodel. Grok Voice 3.0 is een full-duplex spraak-naar-spraakmodel dat meerdere keren per seconde moet beslissen of je uitgepraat bent. Per uur audio is precies voor één van de twee de juiste maatstaf.

Dat is de hele vergelijking in één alinea, en alles daaronder is het deel dat de deployments bepaalt: wat het kost om elk te laten draaien, als je de segmenten van de pipeline eromheen meetelt.

De een rendert een script. De ander neemt een oproep aan.

Tekst-naar-spraak neemt tekst en levert audio op. Er is geen invoeraudio, geen beurt om te nemen, geen concept van onderbroken worden en geen transcript dat terugkomt, omdat het model nooit iets heeft gehoord. Het kostenmodel is een drukpers — pagina's erin, audio eruit — en de enige twee getallen die ertoe doen, zijn kwaliteit en doorvoer, die je beide kunt meten voordat je uitbrengt.

Een full-duplexmodel verwerkt binnenkomende audio terwijl het uitgaande audio produceert. Zijn taak omvat de delen van een gesprek die niets met woorden te maken hebben: pauzeren wanneer de beller pauzeert, doorgaan tijdens een backchannel in plaats van die als een onderbreking te behandelen, het woord midden in een zin afstaan, en een toolaanroep doen zonder de draad te verliezen. Grok Voice 3.0 doet dat allemaal en levert transcripties samen met de sessie, wat het alleen kan omdat het de hele tijd meeluisterde.

Als je product artikelen hardop voorleest, documentatie naar audio omzet of video's inspreekt, is Grok Voice 3.0 het verkeerde hulpmiddel tegen driemaal de prijs per uur, en kan het de klus helemaal niet aan, omdat het geen script aanneemt en er geen bestand van maakt. Als je product een telefoongesprek aanneemt, is Qwen-Audio-3.0-TTS een derde van een pijplijn die nog spraakherkenning en een taalmodel nodig heeft om een gesprek te worden — en elk van die onderdelen voegt kosten, latentie en een grens toe waar de prosodie sterft.

Waar Qwen-Audio-3.0-TTS echt sterk in is

Het pleidooi voor Alibaba's model is geen marketing. De Plus-tier, op 20 juli 2026 uitgebracht door Alibaba's Tongyi Lab en ontsloten als een gehoste, gesloten API, veroverde bij de introductie de koppositie in de text-to-speech-arena van Artificial Analysis. Ranglijsten veranderen, en deze is veranderd: per september 2026 staat Qwen-Audio-3.0-TTS-Plus vierde op de Provider Voice Arena met een Elo van 1.232 op basis van 2.306 samples, achter Cartesia Sonic 3.6 met 1.275, Inworld Realtime TTS-2 met 1.244 en Speechify's Simba 3.2 met 1.233 — drie modellen uit juli en augustus die daarna zijn uitgekomen. Een vierde plaats van ruim twintig, met de koppositie verdwenen en het prijsvoordeel intact, is nog steeds een sterke positie. Het is alleen niet de positie die de berichtgeving rond de lancering beschreef.

• Taaldekking — 16 talen met leidende posities in 10 daarvan, plus 20 Chinese dialectregio's.

• Stemkloning — op basis van korte referentiemonsters, inclusief cross-linguaal klonen.

• Expressieve controle — 86 inline emotie- en voordrachttags.

• Doorvoer — Plus genereert ongeveer 16 tekens per seconde. Bij batchrendering is dat onzichtbaar; voor een live product is het het getal dat je buffer bepaalt.

• Niveaus — Flash richt zich op ongeveer 300 ms latentie voor het eerste pakket bij realtime weergave; Plus is het kwaliteitsniveau. Het zijn verschillende producten die dezelfde naam delen, en de verkeerde kiezen is een veelgemaakte eerste fout.

• Documentatiehiaat — het veel geciteerde $27,6 per miljoen tekens komt niet in elke momentopname overeen met de eigen prijspagina van Alibaba, die op bepaalde momenten lagere cijfers voor beide niveaus heeft vermeld. Controleer het getal op accountniveau voordat je een prognose maakt, in plaats van dat van het leaderboard.

Twee kanttekeningen om bij de planning rekening mee te houden. Ondanks de zestien ondersteunde talen zijn de openbare presetstemmen vrijwel uitsluitend Chinees en Engels, en de andere veertien bestaan via de cloning-workflow in plaats van kant-en-klaar. En de 86 inline-emotietags werken alleen in de unidirectionele streamingmodus, dus de expressieve controle blijft niet in elk integratiepad behouden.

Er is ook een versie waar je voorzichtig mee moet zijn. Alibaba vermeldt nu een Qwen-Audio-3.1-TTS-generatie en een aparte Qwen Audio 3.0 Realtime-familie, en die zijn niet hetzelfde model als Qwen-Audio-3.0-TTS — de Realtime-lijn is een spraak-naar-spraakproduct dat op een heel ander leaderboard voorkomt. Wie "Qwen Audio 3.0" vergelijkt met een conversationeel model, moet controleren welke regel van Alibaba's eigen prijslijst die persoon daadwerkelijk leest.

Wat Grok Voice 3.0 kost, en wat het niet oplost

Grok Voice 3.0 is op 14 oktober 2026 verschenen voor $0,08 per minuut audio plus $0,004 per tekstinvoer, ongewijzigd ten opzichte van het model dat het vervangt, waarbij grok-voice-latest nu naar dit model verwijst en grok-voice-2.0 als verouderd is gemarkeerd. In de Speech to Speech Index van Artificial Analysis staat het bovenaan met 86,9; de hoogste component is agentische prestatie met 71,6% op τ-Voice tegenover 56,5% voor zijn voorganger — de grootste individuele sprong in deze release.

De bewering over latentie is waar de twee modellen eindelijk een eenheid delen. Grok Voice 3.0 publiceert 0,81 seconde tot eerste audio, het snelste cijfer onder frontier-conversatiemodellen. De Flash-tier van Qwen Audio mikt op ongeveer 300 ms tot het eerste pakket. Dat zijn niet dezelfde metingen: 300 ms is de tijd tot het eerste pakket van een renderingtaak waarvan je de tekst al hebt, terwijl 0,81 seconde de tijd is om te beginnen met spreken nadat een mens is gestopt met praten, wat de beslissing omvat dat het jouw beurt was. Ongeveer tweeënhalf keer zoveel latentie levert het vermogen op om onderbroken te worden. Of dat het waard is, hangt volledig af van of er een persoon aan de andere kant is.

Grok Voice 3.0 levert ook de onderdelen van een spraakproduct die een TTS-model aan jou overlaat: de duplexsessie, beurtdetectie aan de serverzijde, sessiegebonden tools zodat de agent midden in een gesprek een backend kan aanroepen, en de transcriptie die daarbij terugkomt. Het brengt geen scriptvoorleesmodus, geen cloning die als cross-linguaal gedocumenteerd is, of zestien talen die als functie worden aangeprezen. Het toepassingsgebied dat het kan bedienen is smaller dan dat van het TTS-model, en de prijs per uur is hoger.

De eerlijke versie van de cascaderekening

Een conversationeel product dat is gebouwd op een tekst-naar-spraakmodel is een cascade: een spraakherkenningsmodel zet de spraak van de beller om in tekst, een taalmodel bepaalt wat er gezegd moet worden, en het TTS-model spreekt het uit. Drie leveranciers, drie rekeningen, drie latentiebudgetten die bij elkaar opgeteld worden, en een overdracht bij elke grens. Het TTS-gedeelte kan $1,66 per uur audio kosten. De andere twee gedeelten zijn waar het geld en de fouten zich daadwerkelijk bevinden, en de cascade kan geen pauze horen midden in een zin die hij al uitspreekt.

Grok Voice 3.0 vat de drie onderdelen samen tot één sessie en één meter — met twee details die de rekening eerlijk houden. De toolaanroepen en eventueel gedelegeerd redeneerwerk draaien op de backend die ze afhandelt, welke dat ook is, tegen de tarieven van dat model zelf, dus als je de agent op een frontier-reasoner richt die bij elke beurt zoekt, levert dat een dure oproep op achter een goedkope spraaklaag. En bij 300.000 minuten per maand komt de tariefkaart uit op $24.000 voor alleen al de spraakhelft.

Die tweede maatstaf is waar deze vergelijking ophoudt een modelkeuze te zijn en een architectuurkeuze wordt, en het is waar een routeringslaag zijn plek verdient. OrcaRouter ondersteunt noch Grok Voice 3.0 noch Qwen-Audio-3.0-TTS; de stemlagen vallen in beide gevallen buiten ons bereik en we routeren er niets van. Het redeneergedeelte niet. Tweehonderdzeven modellen van meer dan een dozijn upstreams zitten achter één sleutel tegen de lijstprijs van de provider zonder enige opslag, en een prijsverlaging van een provider gaat dezelfde dag in in plaats van bij je volgende contractverlenging. Voor een cascade die het middelste gedeelte direct dekt: houd twee spraakherkenningsopties en drie redeneermodellen achter één endpoint, test ze A/B tegen echt verkeer, en laat automatische failover een storing bij een upstream opvangen zonder een gesprek te laten vallen. Een routerings-DSL stelt meerdere modellen samen tot één aanroep voor de gevallen waarin één redeneermodel niet genoeg is.

Kiezen, in één vraag

Koop Qwen-Audio-3.0-TTS als de output content is: voice-over, lokalisatie, toegankelijkheidsaudio, nasynchronisatie, of elke workflow waarin de tekst bestaat voordat de audio dat doet en kwaliteit per gerenderd uur de maatstaf is. Begin met Flash als je live weergave nodig hebt en stap over naar Plus wanneer de stem zelf het eindproduct is, prijs de cloning-workflow apart van de presetstemmen, en bevestig het tarief per miljoen tekens op accountniveau voordat je daarop een prognose bouwt.

Koop Grok Voice 3.0 als de input een persoon is. Supportlijnen, boekingsflows, intakegesprekken, alles waarbij de eerste lettergreep van de beller binnenkomt terwijl het model midden in een zin zit en het systeem zich moet gedragen als een luisteraar in plaats van een speler. Het kost meer per uur audio, het kan je document niet lezen, en het is de enige van de twee die onderbroken kan worden.

Veel echte producten willen beide: een renderingmodel dat de audio-assets produceert en een duplexmodel dat de oproep afhandelt waar die assets bij horen. Wat ze niet zouden moeten delen, is een kostenmodel. Per uur audio is de juiste eenheid voor een van deze twee, en de echte kosten van de andere zijn de pijplijn die je hebt vermeden door geen cascade te bouwen.