AssemblyAI-TTS-1 vs Qwen-Audio-3.0-TTS: O modelo no título não é o que se deve comprar

Esta comparação nomeia Qwen-Audio-3.0-TTS, e isso é um problema que vale a pena corrigir antes de se citar quaisquer números. A Alibaba retirou o 3.0 como o seu modelo de fala principal a 23 de setembro de 2026, quando a série Qwen-Audio-3.1 foi lançada na Apsara Conference e colocou o Qwen-Audio-3.1-TTS-Plus no topo da sua própria linha de TTS. Portanto, a versão honesta deste confronto é três modelos, não dois — AssemblyAI-TTS-1, o endpoint fechado de 15 dólares por milhão de caracteres que ficou disponível ao público a 27 de outubro de 2026, contra ambas as gerações da pilha de fala da Qwen — e a resposta muda conforme o Qwen que você realmente quis dizer. Se o seu contrato, a sua integração ou a sua nota de aquisição diz 3.0, leia a secção seguinte. Se diz 3.1, salte-a.

Primeiro, a correção: 3.0 não é o Qwen atual.

Qwen-Audio-3.0-TTS foi lançado em 20 de julho de 2026 em dois níveis. O Flash foi criado para uso em tempo real, com latência do primeiro pacote em torno de 300 ms; o Plus era o nível de qualidade a US$ 27,59 por milhão de caracteres por meio do Alibaba Cloud Model Studio. A família cobre 16 idiomas, além de 20 regiões de dialetos chineses, oferece suporte a 86 tags de controle inline, como [angry] e [giggles], juntamente com direção de estilo em linguagem natural de formato livre, realiza clonagem zero-shot robusta a ruído, gera saída em 48 kHz e sintetiza até três minutos em uma única passagem. É fechado e disponível apenas como serviço hospedado — sem pesos abertos, o que representou um afastamento deliberado do Qwen3-TTS anterior da Alibaba, que tinha pesos abertos.

Dez semanas depois, o stack 3.1 substituiu-o em ASR, TTS, TTS-Next e tempo real. O nível TTS 3.1 traz o mesmo conjunto de 8 vozes, tem preço de tabela de US$ 19,3 por milhão de caracteres na coluna de preços da Artificial Analysis, e é a entrada a que a maioria das comparações do Qwen desde o final de setembro realmente se referiu. Na prática: o 3.0 ainda pode ser chamado se você já estiver integrado, o 3.1 é o que é cotado para um novo comprador, e qualquer artigo que coloque a pontuação de julho do 3.0 ao lado de um lançamento de outubro sem mencionar isso está lhe vendendo uma comparação desatualizada.

O quadro, lido uma vez, para todos os três.

Provider Voice Arena da Artificial Analysis, consultado em 30 de outubro de 2026, portanto um único instrumento para cada linha abaixo:

• Qwen-Audio-3.1-TTS-Plus — terceiro, 1.305 Elo, 2.281 amostras, lançado em setembro de 2026.

• Qwen-Audio-3.0-TTS-Plus — sétimo, 1.269 Elo, 2.794 amostras, lançado em junho–julho de 2026.

• AssemblyAI-TTS-1 — décimo quarto, 1,227 Elo, 1,632 amostras, lançado em outubro de 2026.

• ElevenLabs Eleven v4 Turbo e Eleven v4 ocupam o primeiro e o segundo lugar, com 1.336 e 1.334, para o ponto de referência que este artigo não aborda.

A diferença de 78 pontos entre o AssemblyAI-TTS-1 e o atual nível do Qwen TTS é real, mas não é a maior diferença neste confronto — o ElevenLabs está 31 pontos acima do Qwen e 109 acima do AssemblyAI na mesma leitura. O que importa mais é que uma linha de 1.632 amostras para um modelo de quatro dias é evidência fraca, e os intervalos nesse quadro são amplos o suficiente para que uma nova execução possa deslocar o AssemblyAI-TTS-1 algumas posições sem que nada no modelo mude.

Dezesseis caracteres por segundo é o número que decide isto.

Aqui está a métrica que quase ninguém inclui numa comparação com o Qwen, e é justamente a que importa para a tarefa para a qual o AssemblyAI-TTS-1 foi criado.

O Artificial Analysis mede o AssemblyAI-TTS-1 em 162 caracteres por segundo de síntese. O Qwen-Audio-3.0-TTS-Plus, no mesmo estilo de medição, gera cerca de 16 caracteres por segundo — o modelo mais lento entre todos os que estão perto do topo da arena. A linha 3.1 melhorou nesse aspecto, mas a velocidade de geração continua sendo o eixo fraco da família, e não o seu ponto forte.

A fala comum flui a aproximadamente 900 caracteres por minuto, o que equivale a 15 caracteres por segundo. Um modelo que gera 16 caracteres por segundo está, dentro de uma margem de arredondamento, no fator tempo real 1,0 — ele consegue apenas se manter à frente de um fluxo de reprodução e não consegue atender duas conversas simultâneas sem mais hardware por trás. Um modelo a 162 caracteres por segundo tem cerca de dez fluxos de folga por unidade do mesmo poder computacional.

Isso reformula a diferença de Elo. Um déficit de 78 pontos em preferência cega é uma questão de qualidade que você pode responder com seu próprio corpus. Um déficit de throughput de dez vezes é uma questão de capacidade que chega como uma conta, porque a solução é mais segundos de GPU por chamador simultâneo, e no modelo de preços hospedados da Alibaba isso não é uma alavanca que você controla.

Ambas as ressalvas, ditas sem rodeios. São dois fornecedores medidos com um único instrumento, não um confronto direto controlado; a taxa de geração depende de hardware, processamento em lotes e comprimento da sequência. E o tokenizador de fala de 12,5 Hz do Qwen — deliberadamente baixo em comparação com os habituais 50–75 Hz — é o que mantém sua latência do primeiro pacote perto de 300 ms no nível Flash. O Qwen otimizou para a latência até o primeiro som. A AssemblyAI otimizou para caracteres por segundo assim que o turno começa. São apostas diferentes, e um agente telefônico sente ambas.

Linguagens e tags de controle são onde o Qwen não está nem perto de ser superado.

Se o argumento da capacidade de processamento decide o caso do call center, o argumento da linguagem decide todo o resto, e não é sutil:

• Cobertura — Qwen-Audio-3.0-TTS oferece 16 idiomas e 20 regiões de dialetos chineses; AssemblyAI-TTS-1 foi lançado com seis (inglês, espanhol, francês, alemão, italiano, português) e múltiplos sotaques dentro deles.

• Direção — O Qwen expõe 86 tags de controle inline, além de prompts de estilo em formato livre; o AssemblyAI-TTS-1 não tem tags de emoção, nem SSML, nem parâmetro de velocidade, nem dicionário de pronúncia no lançamento, e sua própria publicação diz que disfluências escritas são lidas como escritas, em vez de interpretadas.

Clonagem — o Qwen faz clonagem zero-shot robusta a ruído; a AssemblyAI faz clonagem instantânea a partir de uma amostra de 24 segundos com uma etapa de confirmação de permissão do falante. Nenhum dos dois oferece um nível de clone profissional treinado, que é um produto da ElevenLabs, não da Qwen nem da AssemblyAI.

• Saída — o Qwen sintetiza a 48 kHz com um limite de três minutos por passagem única; o AssemblyAI transmite PCM de 8–48 kHz, µ-law ou A-law com carimbos de tempo por palavra e uma mensagem de cancelamento de barge-in, que é exatamente a infraestrutura de que uma pilha de telefonia precisa.

• Abertura — nenhum dos dois publica os pesos. Ambos são somente hospedados, na região, com preços definidos pelo fornecedor.

Essa tabela tem uma leitura óbvia: o AssemblyAI-TTS-1 não é um produto multilíngue e não finge ser. Se o seu agente precisa falar japonês, coreano ou mandarim, a família Qwen é a resposta, e este artigo termina aí. Se o seu agente fala inglês com clientes que falam inglês e, ocasionalmente, espanhol, seis idiomas são suficientes, e a lista de recursos do Qwen está pagando por recursos que seus prompts nunca usarão.

Preço por hora, de três formas

Usando a mesma estimativa que em todos os outros lugares desta série — cerca de 900 caracteres de fala por minuto, portanto aproximadamente 54.000 por hora — o custo horário de síntese é:

• AssemblyAI-TTS-1 — US$ 15 por milhão de caracteres, com todas as vozes, todos os idiomas e a clonagem incluídos, concorrência ilimitada sem nenhuma taxa: cerca de US$ 0,81 por hora de áudio.

• Qwen-Audio-3.0-TTS-Plus — US$ 27,59 por milhão de caracteres no Alibaba Cloud Model Studio: cerca de US$ 1,49 por hora.

• Qwen-Audio-3.1-TTS-Plus — US$ 19,3 por milhão de caracteres, conforme registrado pela Artificial Analysis: cerca de US$ 1,04 por hora.

Observe a discrepância que você mesmo pode ver no painel: o Artificial Analysis lista ambas as gerações do Qwen a US$ 19,3 por milhão de caracteres, enquanto o cartão do Model Studio da Alibaba para o 3.0-Plus indica US$ 27,59. Esses são dois instrumentos — o preço de tabela do fornecedor e a normalização do painel — e nenhum deles é a fatura que você receberá quando o preço por volume comprometido entrar em cena. Os valores por hora acima usam cada número conforme rotulado, então trate a tarifa 3.1 como unidade de comparação e a tarifa 3.0 como a coisa mais próxima de um preço de tabela.

A AssemblyAI é a mais barata das três, 22% abaixo do tier atual do Qwen e 45% abaixo do que está no título deste artigo. Mas não é na coluna de preço que está o dinheiro. O dinheiro está na coluna de throughput, porque um modelo rodando a fator de tempo real 1,0 precisa de cerca de dez vezes o hardware por chamador simultâneo em comparação com um modelo rodando a 162 caracteres por segundo — e o preço por caractere em regime de hospedagem esconde esse multiplicador dentro do planejamento de capacidade do provedor até que ele apareça como throttling ou latência no pico.

O que um roteador realmente acrescenta aqui

A implantação realista para uma equipe que enfrenta essa decisão não é nenhum dos modelos isoladamente. São turnos em inglês no endpoint barato e rápido e turnos em idiomas diferentes do inglês no nível Qwen, alternados pelo idioma de quem chama — o que é um problema de roteamento, não um problema de modelo. Essa é a camada que o OrcaRouter cobre para o restante da pilha: uma única API para mais de 200 modelos pelo preço de lista do provedor com 0% de markup, failover automático quando um provedor degrada, e uma DSL de roteamento que compõe vários modelos atrás de um único endpoint em vez de vários contratos e vários SDKs.

Para ser preciso sobre o que isso faz e não significa: nem o AssemblyAI-TTS-1 nem qualquer camada de TTS do Qwen-Audio estão no catálogo da OrcaRouter hoje. Os modelos de fala que roteamos são tts-1, tts-1-hd e gpt-4o-mini-tts da OpenAI e as prévias do Gemini TTS do Google. Portanto, o argumento de roteamento se aplica ao modelo de linguagem que escreve a frase que seu TTS lê, e a qualquer modelo de fala que você adicionar mais tarde e que nós ofereçamos — não a esses dois.

Para quem esta comparação é realmente destinada

Compre o Qwen-Audio-3.1-TTS-Plus — não o 3.0 — se o seu agente tiver de falar mais de seis idiomas, se você precisar de desempenho direcionado em vez de leitura simples, ou se já estiver dentro do Alibaba Cloud e o contrato for a restrição. Ele é o terceiro no ranking cego, custa US$ 1,04 por hora, e sua velocidade de geração é o que deve ser testado contra a sua própria meta de concorrência antes de você se comprometer.

Compre AssemblyAI-TTS-1 se a carga de trabalho for conversação telefônica com prioridade para inglês e em alto volume: uma tarifa fixa de $15, concorrência ilimitada sem taxa, margem de 162 caracteres por segundo, timestamps por palavra e cancelamento de barge-in integrados, além de uma medição independente de latência de 159 ms para comparar com a alegação do fornecedor de 90 ms. Aceite que você estará abrindo mão de dez idiomas, 86 tags de controle e de qualquer capacidade de corrigir uma abreviação mal pronunciada com um dicionário — e que sua subpontuação independente mais fraca, 73,8% na expansão de abreviações, é exatamente a falha que o chamador percebe.

O erro a evitar é aquele para o qual o título deste artigo convidava: citar a pontuação de um modelo de julho em uma decisão de outubro e, então, descobrir na integração que o nível que lhe foi cotado é justamente o que o substituiu. Verifique qual Qwen você está realmente comprando antes de compará-lo a qualquer coisa.