AssemblyAI-TTS-1 vs Qwen-Audio-3.0-TTS: Model w tytule to nie ten, który należy kupić

To porównanie wymienia Qwen-Audio-3.0-TTS, a to problem, który warto poprawić, zanim przytoczy się jakiekolwiek liczby. Alibaba wycofała 3.0 z roli flagowego modelu mowy 23 września 2026 r., kiedy seria Qwen-Audio-3.1 zadebiutowała na konferencji Apsara i umieściła Qwen-Audio-3.1-TTS-Plus na szczycie własnej linii TTS. Zatem uczciwa wersja tego starcia to trzy modele, a nie dwa — AssemblyAI-TTS-1, zamknięty endpoint w cenie 15 dolarów za milion znaków, który stał się ogólnie dostępny 27 października 2026 r., w porównaniu z obiema generacjami stosu mowy Qwen — a odpowiedź się zmienia w zależności od tego, o którym Qwen tak naprawdę mówisz. Jeśli twoja umowa, integracja lub notatka zakupowa mówi 3.0, przeczytaj następną sekcję. Jeśli mówi 3.1, pomiń ją.

Po pierwsze, sprostowanie: 3.0 to nie jest obecna wersja Qwen.

Qwen-Audio-3.0-TTS został wydany 20 lipca 2026 r. w dwóch wariantach. Flash powstał z myślą o zastosowaniach w czasie rzeczywistym, z opóźnieniem pierwszego pakietu wynoszącym około 300 ms; Plus był wariantem jakościowym w cenie 27,59 USD za milion znaków w Alibaba Cloud Model Studio. Rodzina obejmuje 16 języków oraz 20 regionów dialektów chińskich, obsługuje 86 wbudowanych znaczników sterujących, takich jak [angry] i [giggles], a także swobodne wskazówki dotyczące stylu w języku naturalnym, wykonuje odporną na szum klonację głosu w trybie zero-shot, generuje dane wyjściowe z częstotliwością próbkowania 48 kHz i syntetyzuje do trzech minut w jednym przebiegu. Jest zamknięty i dostępny wyłącznie jako usługa hostowana — brak otwartych wag, co było świadomym odejściem od wcześniejszego modelu Qwen3-TTS firmy Alibaba z otwartymi wagami.

Dziesięć tygodni później zestaw 3.1 zastąpił go w ASR, TTS, TTS-Next i trybie czasu rzeczywistego. Warstwa TTS 3.1 oferuje ten sam zestaw 8 głosów, widnieje w kolumnie cenowej Artificial Analysis z ceną 19,3 USD za milion znaków i jest wersją, którą faktycznie miała na myśli większość porównań Qwen od końca września. W praktyce: 3.0 wciąż można wywołać, jeśli jest się już zintegrowanym, nowemu nabywcy podaje się 3.1, a każdy artykuł, który zestawia lipcowy wynik 3.0 z październikową premierą bez wyjaśnienia, sprzedaje ci nieaktualne porównanie.

Tablica, odczytana raz, dla wszystkich trzech

Provider Voice Arena firmy Artificial Analysis, odczyt z 30 października 2026 r., czyli jeden instrument dla każdego wiersza poniżej:

• Qwen-Audio-3.1-TTS-Plus — trzecie miejsce, 1 305 punktów Elo, 2 281 próbek, wydany we wrześniu 2026 r.

Qwen-Audio-3.0-TTS-Plus — siódme miejsce, 1269 Elo, 2794 próbki, wydany w czerwcu–lipcu 2026 r.

• AssemblyAI-TTS-1 — czternasty, 1 227 Elo, 1 632 próbki, wydany w październiku 2026 r.

• ElevenLabs Eleven v4 Turbo i Eleven v4 zajmują odpowiednio pierwsze i drugie miejsce z wynikami 1,336 i 1,334 — to punkt odniesienia, którego ten artykuł nie dotyczy.

Różnica 78 punktów między AssemblyAI-TTS-1 a obecnym poziomem Qwen TTS jest realna, ale nie jest największą różnicą w tym pojedynku — ElevenLabs ma 31 punktów przewagi nad Qwen i 109 punktów nad AssemblyAI w tym samym odczycie. Ważniejsze jest jednak to, że wiersz z 1632 próbkami dla modelu liczącego cztery dni to słabe dowody, a przedziały na tej tablicy są na tyle szerokie, że ponowne uruchomienie mogłoby przesunąć AssemblyAI-TTS-1 o kilka miejsc, mimo że w samym modelu nic by się nie zmieniło.

Szesnaście znaków na sekundę to liczba, która o tym decyduje.

Oto pomiar, którego prawie nikt nie uwzględnia w porównaniu z Qwen — i to właśnie ten, który ma znaczenie dla zadania, do którego stworzono AssemblyAI-TTS-1.

Artificial Analysis podaje, że AssemblyAI-TTS-1 osiąga 162 znaki na sekundę syntezy. Qwen-Audio-3.0-TTS-Plus, przy pomiarze w tym samym stylu, generuje około 16 znaków na sekundę — jest najwolniejszym modelem spośród tych blisko czoła rankingu. Wersja 3.1 poprawiła ten wynik, ale szybkość generowania nadal pozostaje słabą osią tej rodziny modeli, a nie jej mocną stroną.

Teraz przekonwertujmy to na jedyną jednostkę, która ma znaczenie dla działającego agenta. Mowa potoczna płynie z szybkością około 900 znaków na minutę, czyli 15 znaków na sekundę. Model generujący 16 znaków na sekundę to — z dokładnością do błędu zaokrąglenia — współczynnik czasu rzeczywistego 1,0: z ledwością nadąża za jednym strumieniem odtwarzania i nie obsłuży dwóch równoczesnych rozmów bez dodatkowego sprzętu. Model osiągający 162 znaki na sekundę ma około dziesięciokrotny zapas strumieni na jednostkę tej samej mocy obliczeniowej.

To zmienia spojrzenie na różnicę w Elo. 78-punktowy deficyt w preferencjach w testach ślepych to kwestia jakości, na którą możesz odpowiedzieć własnym korpusem. Dziesięciokrotny deficyt przepustowości to kwestia mocy, która objawia się jako rachunek, ponieważ rozwiązaniem jest więcej sekund GPU na jednego równocześnie wywołującego, a w cenniku hostowanych usług Alibaba nie jest to dźwignia, którą kontrolujesz.

Oba zastrzeżenia, powiedziane wprost. To dwóch dostawców mierzonych przy użyciu jednego narzędzia, a nie kontrolowane bezpośrednie porównanie; przepustowość generowania zależy od sprzętu, przetwarzania wsadowego i długości sekwencji. A tokenizator mowy Qwen o częstotliwości 12,5 Hz — celowo niskiej w porównaniu z typowymi 50–75 Hz — sprawia, że opóźnienie pierwszego pakietu pozostaje bliskie 300 ms w wariancie Flash. Qwen zoptymalizowano pod opóźnienie do pierwszego dźwięku. AssemblyAI zoptymalizowano pod znaki na sekundę po rozpoczęciu tury. To różne założenia i agent telefoniczny odczuwa oba.

Języki i znaczniki sterujące to obszary, w których Qwen jest niemal nie do pobicia

Jeśli argument przepustowości rozstrzyga sprawę centrum obsługi telefonicznej, argument językowy rozstrzyga wszystko inne, i nie ma w tym nic subtelnego:

• Zakres — Qwen-Audio-3.0-TTS obsługuje 16 języków i 20 regionów dialektów chińskich; AssemblyAI-TTS-1 zadebiutował z sześcioma (angielski, hiszpański, francuski, niemiecki, włoski, portugalski) oraz wieloma akcentami w ich obrębie.

• Sterowanie — Qwen udostępnia 86 wbudowanych tagów sterujących oraz swobodne prompty stylu; AssemblyAI-TTS-1 nie ma tagów emocji, nie obsługuje SSML, nie ma parametru szybkości ani słownika wymowy w momencie premiery, a w swoim własnym ogłoszeniu podaje, że zapisane niepłynności są odczytywane dosłownie, a nie odgrywane.

• Klonowanie — Qwen oferuje klonowanie zero-shot odporne na szum; AssemblyAI oferuje natychmiastowe klonowanie z 24-sekundowej próbki, z etapem potwierdzenia zgody mówiącego. Żaden z nich nie oferuje poziomu profesjonalnego klonu opartego na treningu, który jest produktem ElevenLabs, a nie Qwen czy AssemblyAI.

• Wyjście — Qwen syntezuje z częstotliwością 48 kHz, z limitem trzech minut na pojedyncze przejście; AssemblyAI strumieniuje PCM 8–48 kHz, µ-law lub A-law, ze znacznikami czasu słów i komunikatem anulowania barge-in, czyli infrastrukturą, której faktycznie potrzebuje stos telefoniczny.

• Otwartość — żaden nie publikuje wag. Oba są dostępne wyłącznie jako usługi hostowane, w danym regionie, w cenie ustalanej przez dostawcę.

Ta tabela ma oczywistą interpretację: AssemblyAI-TTS-1 nie jest produktem wielojęzycznym i nie udaje, że nim jest. Jeśli Twój agent musi mówić po japońsku, koreańsku lub mandaryńsku, odpowiedzią jest rodzina Qwen i na tym artykuł się kończy. Jeśli Twój agent mówi po angielsku do anglojęzycznych rozmówców i od czasu do czasu po hiszpańsku, sześć języków wystarczy, a lista możliwości Qwen to płacenie za funkcje, których Twoje prompty nigdy nie wykorzystają.

Stawka godzinowa na trzy sposoby

Przyjmując takie samo szacowanie jak wszędzie indziej w tej serii — około 900 znaków mowy na minutę, czyli mniej więcej 54 000 na godzinę — koszt syntezy na godzinę wynosi:

• AssemblyAI-TTS-1 — 15 USD za milion znaków, wszystkie głosy, języki i klonowanie w cenie, nieograniczona współbieżność bez opłat: około 0,81 USD za godzinę audio.

• Qwen-Audio-3.0-TTS-Plus — 27,59 USD za milion znaków w Alibaba Cloud Model Studio: około 1,49 USD za godzinę.

• Qwen-Audio-3.1-TTS-Plus — 19,3 USD za milion znaków według danych Artificial Analysis: około 1,04 USD za godzinę.

Zauważ rozbieżność, którą możesz zobaczyć sam na tablicy: Artificial Analysis podaje obie generacje Qwen po 19,3 USD za milion znaków, podczas gdy karta 3.0-Plus w Alibaba Model Studio wskazuje 27,59 USD. To dwa różne instrumenty — cena listowa dostawcy i normalizacja tablicy — i żaden z nich nie jest fakturą, którą otrzymasz, gdy w grę wejdzie cena za zadeklarowany wolumen. Podane powyżej stawki godzinowe wykorzystują każdą liczbę zgodnie z jej oznaczeniem, więc traktuj stawkę 3.1 jako jednostkę porównawczą, a stawkę 3.0 jako coś najbliższego cenie listowej.

AssemblyAI jest najtańszy z całej trójki — o 22% taniej niż obecny plan Qwen i o 45% taniej niż ten wymieniony w tytule tego artykułu. Ale pieniądze nie kryją się w kolumnie ceny. Pieniądze są w kolumnie przepustowości, ponieważ model działający ze współczynnikiem czasu rzeczywistego 1,0 potrzebuje około dziesięciu razy więcej sprzętu na jednego jednoczesnego rozmówcę niż model osiągający 162 znaki na sekundę — a rozliczanie za znak w usłudze hostowanej ukrywa ten mnożnik w planowaniu przepustowości po stronie dostawcy, dopóki nie objawi się jako ograniczanie przepustowości lub opóźnienia przy szczytowym obciążeniu.

Co router tak naprawdę tu wnosi

Realistyczne wdrożenie dla zespołu stojącego przed tą decyzją to ani jeden, ani drugi model w pojedynkę. To tury w języku angielskim na tanim, szybkim punkcie końcowym oraz tury w językach innych niż angielski w warstwie Qwen, przełączane zależnie od języka dzwoniącego — co stanowi problem routingu, a nie problem modelu. To warstwa, którą OrcaRouter obejmuje dla reszty stosu: jeden API dla ponad 200 modeli w cenie katalogowej dostawcy z 0% marży, automatyczne przełączanie awaryjne, gdy dostawca ulega degradacji, oraz DSL routingu, który łączy kilka modeli za jednym punktem końcowym zamiast kilku umów i kilku SDK.

Aby uściślić, co to robi, a czego nie oznacza: ani AssemblyAI-TTS-1, ani żaden poziom Qwen-Audio TTS nie znajduje się obecnie w katalogu OrcaRouter. Modelami mowy, które kierujemy, są tts-1, tts-1-hd i gpt-4o-mini-tts od OpenAI oraz podglądowe wersje Gemini TTS od Google. Zatem argument dotyczący routingu dotyczy modelu językowego, który pisze zdanie czytane przez Twój TTS, oraz każdego modelu mowy, który dodasz później i który my obsługujemy — a nie tych dwóch.

Dla kogo tak naprawdę jest to porównanie

Kup Qwen-Audio-3.1-TTS-Plus — nie 3.0 — jeśli Twój agent musi mówić w więcej niż sześciu językach, jeśli potrzebujesz ukierunkowanego wykonania zamiast zwykłego odczytu albo jeśli już jesteś w Alibaba Cloud i ograniczeniem jest umowa. Jest trzeci na ślepej liście rankingowej, kosztuje 1,04 USD za godzinę, a jego szybkość generowania to rzecz, którą należy przetestować względem własnego docelowego poziomu współbieżności, zanim się zobowiążesz.

Kup AssemblyAI-TTS-1, jeśli obciążenie to prowadzona na dużą skalę rozmowa telefoniczna po angielsku: jedna stała stawka 15 USD, nieograniczona współbieżność bez dodatkowych opłat, zapas 162 znaków na sekundę, wbudowane znaczniki czasu słów i anulowanie przy przerwaniu (barge-in) oraz niezależny pomiar opóźnienia wynoszący 159 ms, który można skonfrontować z deklaracją dostawcy o wartości 90 ms. Zaakceptuj, że rezygnujesz z dziesięciu języków, 86 znaczników sterujących i jakiejkolwiek możliwości poprawienia błędnie wymawianego skrótu za pomocą słownika — oraz że jego najsłabszy niezależny wynik cząstkowy, 73,8% w zakresie rozwijania skrótów, jest dokładnie tym błędem, który zauważa dzwoniący.

Błąd, którego należy unikać, to ten, do którego zachęcał tytuł tego tekstu: powoływanie się na wynik modelu z lipca przy decyzji podejmowanej w październiku, a potem odkrycie podczas integracji, że tier, który ci zaoferowano, to ten, który go zastąpił. Sprawdź, którego Qwen tak naprawdę ci sprzedają, zanim porównasz go z czymkolwiek.