Voxtral 3 TTS kontra Qwen-Audio-3.0-TTS-Plus: Dwa tanie głosy, dwie różne mapy

Oba te modele są tańsze niż frontier i oba znajdują się poza nim, co sprawia, że wybór między Voxtral 3 TTS a Qwen-Audio-3.0-TTS-Plus jest kwestią pokrycia, a nie jakości. W rankingu Provider Voice Artificial Analysis dzieli je 47 punktów Elo — Qwen ma 1 264 (#7), nowy model Mistrala 1 217 (#13) — a ich ceny wynoszą 19,31 USD i 13,00 USD za milion znaków. Żadna z tych różnic nie jest rozstrzygająca. Rozstrzygające jest to, że model Alibaby powstał wokół języka chińskiego, obejmując dwadzieścia regionów dialektalnych i osiemdziesiąt sześć osadzonych w tekście znaczników sposobu mówienia, podczas gdy model Mistrala powstał wokół dwudziestu czterech języków urzędowych Unii Europejskiej. Jeśli Twój produkt mówi po mandaryńsku, kantońsku lub hokkien, spór kończy się na liście języków. Jeśli mówi po portugalsku, polsku lub niderlandzku, też się tam kończy, tylko w drugą stronę.Udokumentowane awarie AI i incydenty z agentami stojące za takimi premierami jak ta są gromadzone w OrcaRouter AI Incident Archive, gdzie każdy wpis zawiera własne źródła, wagę, stopień pewności i flagę sporności.

Liczby i to, jaką mają wagę

• Elo głosu dostawcy — Q​wen-Audio-3.0-T​TS-Plus: 1,264. Voxtral 3 T​TS: 1,217. Oba według Artificial Analysis z 21 października 2026 r.

• Kontrolowane Elo głosu — Q​wen-Audio-3.0-T​TS-Plus: 1 125 (#7). Voxtral 3 T​TS: 1 066 (#14). Różnica rośnie z 47 do 59 punktów po sklonowaniu obu na te same osiem głosów referencyjnych, co oznacza, że przewaga A​libaba tkwi w silniku syntezy, a nie w bibliotece głosów.

• Cena za 1 mln znaków — 19,31 USD dla Q​wen-Audio-3.0-T​TS-Plus, 13,00 USD dla Voxtral 3 T​TS. Przy około 900 znakach na minutę mowy daje to 1,04 USD wobec 0,70 USD za godzinę.

• Języki — A​libaba: 16 języków oraz 20 chińskich regionów dialektalnych. Mistral: ponad 35 języków i ponad 50 dialektów, z presetami w 18 językach.

• Klonowanie głosu — Alibaba: klonowanie na podstawie audio referencyjnego, w tym międzyjęzykowy transfer barwy głosu. Mistral: adaptacja „Pro Voice" na podstawie 30 minut nagrania. Żadne z nich nie oferuje sprzedawanego przez Cartesię dziesięciosekundowego natychmiastowego klonowania.

• Weights — zamknięte po obu stronach. Oba są produktami dostępnymi wyłącznie przez API.

• Opóźnienie — Alibaba publikuje osobno wskaźnik strumieniowania pierwszego znaku dla swoich modeli rozpoznawania oraz modelu głosu w czasie rzeczywistym; Mistral nie publikuje czasu do pierwszego dźwięku dla Voxtral 3 TTS. Żadnej z tych liczb nie można porównywać między dostawcami, a w przypadku syntezy żadna z nich nie jest niezależnym pomiarem.

Jedno zastrzeżenie do liczb Elo: w chwili odczytu Voxtral 3 T​TS był na liście od zaledwie jednego dnia, mając 1619 porównań wobec 2399 porównań Q​wen. Przy takiej wielkości próby różnica 47 punktów w obrębie nakładających się przedziałów ufności to kierunek, a nie werdykt. Odczytuj to jako „Q​wen jest prawdopodobnie nieco z przodu”, a nie jako zmierzoną różnicę 47 punktów.

Tam, gdzie model A​libaba wygrywa, i to nie jest marginalne zwycięstwo

Obsługa języka chińskiego to pierwsza i największa różnica, warto więc doprecyzować, co oznacza „20 regionów dialektalnych”. Linia produktów mowy firmy A​libaba jest tworzona z myślą o rynku krajowym, gdzie jeden język pisany przekłada się na mowę, którą model znający tylko mandaryński zniekształca: kantoński, syczuański, wu, minnański i inne. Q​wen-Audio-3.0-T​TS-Plus obsługuje te regiony natywnie, a generacja 3.1 firmy A​libaba dodała międzujęzykowy transfer barwy głosu — jeden głos przenoszony między mandaryńskim, kantońskim, angielskim i japońskim — co ma znaczenie, jeśli lokalizujesz jednego prezentera, a nie dobierasz obsadę dla każdego rynku.

Drugim elementem jest kontrola sposobu wypowiedzi na poziomie tokenów. Qwen-Audio-3.0-TTS-Plus odziedziczył po swojej generacji udokumentowany zestaw 86 wbudowanych znaczników sposobu wypowiedzi, dzięki czemu skrypt może przenosić znaczniki emocji, tempa i nacisku bezpośrednio w transkrypcji. Voxtral 3 TTS firmy Mistral udostępnia kontrolę emocji, tempa i nacisku na poziomie promptu oraz wymowę na poziomie fonemów i bibliotekę słownictwa — porównywalne pod względem intencji, ale słownik znaczników Alibaby jest na papierze bardziej szczegółowy z tych dwóch.

Po trzecie, A​libaba wypuściła tańszy wariant. Odświeżenie 3.1 sprawiło, że T​TS stał się SKU klasy Flash, więc zespół, który uważa poziom 3.0-Plus za zbyt drogi, ma udokumentowaną ścieżkę przejścia na niższy poziom u tego samego dostawcy, w przybliżeniu w tej samej cenie co Voxtral 3 T​TS. Odpowiedzią Mistrala na „taniej poproszę” jest ten sam model lub inny dostawca.

Równie jasne jest to, gdzie model A​libaba jest słabszy: 16 języków to mała mapa. Jeśli Twój katalog działa w języku polskim, tureckim, wietnamskim lub portugalskim, Q​wen-Audio-3.0-T​TS-Plus Cię nie obejmuje i żadna liczba punktów Elo tego nie nadrobi.

Gdzie Voxtral 3 T​TS wygrywa

Szeroki zakres językowy poza Azją, mówiąc wprost. Deklarowane ponad trzydzieści pięć języków i ponad pięćdziesiąt dialektów, a do tego rodzina produktów stworzona z myślą o europejskich zamówieniach publicznych: Mistral podaje, że obsługuje wszystkie 24 oficjalne języki UE w modelach transkrypcji oraz w endpointach API dla UE, USA i świata, a także oferuje wdrożenie własne na prywatnej infrastrukturze dla nabywców, którzy muszą kontrolować, gdzie przetwarzane są nagrania audio i czy są one przechowywane. Dla europejskiego nabywcy z sektora publicznego lub ochrony zdrowia nie jest to czynnik rozstrzygający, lecz wymóg.

Drugi element to otaczający stack. Voxtral 3 T​TS nie jest sprzedawany jako samodzielny endpoint: w zestawie jest SDK agenta oparty na LiveKit, obsługujący SIP, WebRTC i IVR, deklarowana latencja tury agenta poniżej jednej sekundy oraz cena za minutę dla całej pętli — $0.04 z rozumowaniem Mistral Small 4, $0.08 z innym modelem rozumującym. A​libaba również ma model głosowy czasu rzeczywistego, ale rozwiązanie Mistral jest udokumentowane jako propozycja pakietowa z opublikowaną ceną za minutę, co ułatwia zbudowanie uzasadnienia biznesowego niż cennik oparty na stawce za token.

Trzecia kwestia to cena, ściśle rzecz biorąc. 13 USD wobec 19,31 USD to 33% zniżki, a w skali to konkretna liczba: dziesięć tysięcy godzin miesięcznie to około 7000 USD wobec 10 400 USD. To nie jest wydarzenie zmieniające ceny, ale też nie jest bez znaczenia.

Argument za routingiem jest tu silniejszy niż w większości pojedynków.

Większość porównań modeli kończy się słowami „wybierz jeden”. Ta para to jednak prawdziwy problem portfelowy, ponieważ obie mapy pokrycia ledwo się zazębiają na skrajach, a oba modele są wystarczająco tanie, by używać ich równolegle. Europejska platforma e-commerce, która opisuje strony produktów w ośmiu językach UE i obsługuje także klientów mówiących po kantońsku, potrzebuje obu. Podobnie studio dubbingowe pracujące nad serialem z dialogami po mandaryńsku i francuskimi napisami.

Kłopotliwa część uruchamiania obu nie polega na wyborze modelu, lecz na infrastrukturze połączeń: dwóch dostawcach, dwóch schematach uwierzytelniania, dwóch relacjach rozliczeniowych, dwa zestawy trybów awarii. OrcaRouter istnieje dokładnie dla takiego układu — jeden klucz zgodny z OpenAI na ponad 200 modeli, cena z cennika dostawcy przekazywana z 0% narzutu, dzięki czemu zmiana ceny dostawcy obowiązuje tego samego dnia, oraz DSL routingu, który potrafi wysłać żądanie z tagiem języka do modelu obsługującego ten język. Ani Voxtral 3 TTS, ani Qwen-Audio-3.0-TTS-Plus nie znajdują się w katalogu OrcaRouter na dzień pisania tego tekstu, a jeden interfejs API dla ponad 200 modeli to stwierdzenie o katalogu, który faktycznie obsługujemy, a nie o tych dwóch — dziś do obu dociera się przez własne interfejsy API ich dostawców i kilka platform zewnętrznych. Założenie projektowe pozostaje aktualne niezależnie od tego: jeśli Twoja matryca językowa wymaga dwóch dostawców, chcesz, aby podział żył w regule routingu, a nie w dwóch ścieżkach kodu.

To, czego nie opublikował żaden z dostawców

Trzy luki — i w obu przypadkach te same trzy, co wiele mówi o tym, jak młody jest jeszcze ten segment rynku.

Brak wyników dla poszczególnych języków. Obie wartości Elo są zagregowane. Model może mieć ogólny wynik 1,264 i być doskonały w mandaryńskim, a przeciętny we francuskim; ranking nie powie ci tego, a żaden z dostawców nie publikuje zestawienia według języków. W przypadku każdej decyzji, która zależy od jakości w konkretnym języku, jedynym wiarygodnym testem jest własny korpus, oceniony przez rodzimego użytkownika języka, któremu nie mówi się, który model wygenerował którą próbkę.

Brak danych o wytrzymałości w długich formach. Klipy z Arena trwają sekundy. Żaden z modeli nie dokumentuje maksymalnej długości generowania dla swojego endpointu TTS ani nie ma opublikowanego testu spójności na przestrzeni dziesięciu minut — długości, przy której audiobook albo działa, albo nie. Generacja Qwen 3.1 przeniosła generowanie długich scen do osobnego -Next modelu zamiast rozszerzać endpoint TTS, co jest pośrednim przyznaniem, że model bazowy nie jest narzędziem do długich form.

Brak niezależnego pomiaru opóźnienia. Mistral nie publikuje żadnych danych dla syntezy Voxtral 3 T​TS; A​libaba publikuje dane dostawcy. Artificial Analysis podaje przepustowość na poziomie mediany 112 znaków na sekundę dla Voxtral 3 T​TS, ale nie dla Q​wen-Audio-3.0-T​TS-Plus na tej samej stronie. W działającym agencie głosowym czas do pierwszego dźwięku decyduje o doświadczeniu produktu bardziej niż Elo i jest to najmniej udokumentowana liczba w tej kategorii.

Uczciwy podział

Wybierz Q​wen-Audio-3.0-T​TS-Plus, jeśli produkt mówi po chińsku — mandaryński z akcentami regionalnymi, kantoński lub przełączanie kodów między chińskim a angielskim — albo jeśli potrzebujesz szczegółowych tagów sposobu dostarczania w transkrypcie i chcesz dostawcę z udokumentowaną tańszą opcją poniżej flagowego produktu. Kosztuje o 48% więcej niż Voxtral i jest mierzalnie lepszy w obu rankingach; w przypadku pracy z chińskim jako językiem priorytetowym to dobrze wydane pieniądze.

Wybierz Voxtral 3 T​TS, jeśli produkt obsługuje języki europejskie, jeśli przechowywanie danych w UE jest wymogiem zakupowym lub jeśli tworzysz agenta głosowego i chcesz syntezę w pakiecie z SDK agenta oraz opublikowaną cenę za minutę. Rezygnujesz z 47 punktów Elo i zyskujesz mapę językową obejmującą rynki, na których sprzedajesz.

Wybierz oba — i kieruj ruch między nimi — jeśli Twoja publiczność naprawdę obejmuje obie mapy. W ujęciu Elo na dolara oba są wystarczająco bliskie, że remis powinno rozstrzygać pokrycie, a nie wynik, a produkt mający klientów w Guangzhou i Gdańsku nie ma jednej właściwej odpowiedzi.

Warto obserwować, czy którykolwiek z dostawców opublikuje zestawienie według języków. W momencie, gdy któryś to zrobi, to porównanie przestaje być sporem o mapy, a staje się sporem o pomiary, a to lepszy spór do prowadzenia.