Grok Voice 3.0 vs. Qwen-Audio-3.0-TTS: Um destes consegue ouvir você, e não é o mais barato

Coloque as duas tabelas de preços lado a lado e o modelo da Alibaba vence por um fator de três. Qwen-Audio-3.0-TTSsintetiza fala a US$ 27,6 por milhão de caracteres, aproximadamente US$ 1,66 de áudio por hora, e está disponível hoje como API hospedada por meio do Alibaba Cloud Model Studio. Grok Voice 3.0, anunciado pela SpaceXAI em 14 de outubro de 2026, cobra US$ 0,08 por minuto de áudio — US$ 4,80 por hora — mais US$ 0,004 por entrada de texto. O narrador é o produto mais barato, e o narrador não consegue ouvir nada do que você diz. Qwen-Audio-3.0-TTS é um modelo de texto para fala. Grok Voice 3.0 é um modelo de fala para fala full-duplex que precisa decidir, várias vezes por segundo, se você terminou de falar. O preço por hora de áudio é a métrica certa para exatamente um deles.

Esse é todo o confronto em um parágrafo, e tudo o que vem abaixo é a parte que decide as implantações: quanto cada um custa para operar depois de contar os trechos do pipeline ao seu redor.

Um interpreta um roteiro. Um atende uma ligação.

A conversão de texto em fala recebe texto e retorna áudio. Não há áudio de entrada, não há turno a assumir, não há conceito de ser interrompido e não há transcrição retornando, porque o modelo nunca ouviu nada. Seu modelo de custo é uma prensa tipográfica — páginas entram, áudio sai — e os únicos dois números que importam são qualidade e vazão, ambos os quais você pode medir antes de lançar.

Um modelo full-duplex processa áudio de entrada enquanto produz áudio de saída. Seu trabalho inclui as partes de uma conversa que não têm nada a ver com palavras: pausar quando o interlocutor pausa, continuar através de um canal de retorno em vez de tratá-lo como uma interrupção, ceder a vez no meio da frase e disparar uma chamada de ferramenta sem perder o fio da conversa. O Grok Voice 3.0 faz tudo isso e retorna transcrições junto com a sessão, o que só é possível porque estava ouvindo o tempo todo.

Se o seu produto lê artigos em voz alta, converte documentação em áudio ou narra vídeos, o Grok Voice 3.0 é a ferramenta errada, por um preço por hora três vezes maior, e não consegue fazer o trabalho de forma alguma, porque não aceita um roteiro nem produz um arquivo. Se o seu produto atende uma ligação telefônica, o Qwen-Audio-3.0-TTS é um terço de um pipeline que ainda precisa de reconhecimento de fala e de um modelo de linguagem para se tornar uma conversa — e cada uma dessas etapas adiciona custo, latência e uma fronteira onde a prosódia morre.

Onde o Qwen-Audio-3.0-TTS é genuinamente forte

O argumento a favor do modelo da Alibaba não é marketing. Lançado em 20 de julho de 2026 pelo Tongyi Lab da Alibaba e exposto como uma API hospedada e fechada, o nível Plus assumiu o primeiro lugar na arena de texto para fala da Artificial Analysis quando chegou. As tabelas de classificação mudam, e esta mudou: em setembro de 2026, o Qwen-Audio-3.0-TTS-Plus está em quarto lugar na Provider Voice Arena com um Elo de 1.232 em 2.306 amostras, atrás do Cartesia Sonic 3.6 com 1.275, do Inworld Realtime TTS-2 com 1.244 e do Simba 3.2 da Speechify com 1.233 — três modelos de julho e agosto que foram lançados depois dele. Quarto de mais de vinte, com a liderança perdida e a vantagem de preço intacta, ainda é uma posição forte. Só que não é a posição que a cobertura do lançamento descreveu.

• Cobertura linguística — 16 idiomas com posições de liderança em 10 deles, além de 20 regiões de dialetos chineses.

• Clonagem de voz — a partir de amostras de referência curtas, incluindo clonagem entre idiomas.

• Controle expressivo — 86 tags de emoção e entrega inline.

Taxa de transferência — o Plus gera cerca de 16 caracteres por segundo. Para renderização em lote, isso é invisível; para um produto em tempo real, é o número que decide o tamanho do seu buffer.

• Níveis — O Flash tem como meta aproximadamente 300 ms de latência do primeiro pacote para reprodução em tempo real; o Plus é o nível de qualidade. São produtos diferentes que compartilham um nome, e escolher o errado é um erro inicial comum.

• Lacuna na documentação — o valor amplamente citado de US$ 27,6 por milhão de caracteres não corresponde à própria página de preços da Alibaba em todos os snapshots, que em alguns momentos listou valores menores para ambos os níveis. Verifique o número no nível da conta antes de fazer sua previsão, em vez do número do ranking.

Duas ressalvas que vale a pena considerar no planejamento. Apesar dos dezesseis idiomas suportados, as vozes predefinidas públicas são quase que inteiramente em chinês e inglês, e as outras catorze existem por meio do fluxo de trabalho de clonagem, e não prontas para uso. E as 86 tags de emoção inline funcionam apenas no modo de streaming unidirecional, de modo que o controle expressivo não sobrevive a todos os caminhos de integração.

Há também uma versão com a qual é preciso ter cuidado. A Alibaba agora lista uma geração Qwen-Audio-3.1-TTS e uma família separada Qwen Audio 3.0 Realtime, e esses não são o mesmo modelo que o Qwen-Audio-3.0-TTS — a linha Realtime é um produto de fala para fala que aparece em um ranking completamente diferente. Qualquer pessoa que compare "Qwen Audio 3.0" com um modelo conversacional deve verificar em qual linha da própria lista de preços da Alibaba está realmente lendo.

Quanto custa o Grok Voice 3.0, e o que ele não resolve

Grok Voice 3.0 chegou em 14 de outubro de 2026 a US$ 0,08 por minuto de áudio, mais US$ 0,004 por entrada de texto, sem alteração em relação ao modelo que substitui, com grok-voice-latest agora apontando para ele e grok-voice-2.0 marcado como obsoleto. No Índice Speech to Speech da Artificial Analysis, ele mantém o topo da tabela, com 86,9; seu componente mais alto é o desempenho agêntico, com 71,6% no τ-Voice, contra 56,5% do seu antecessor — a maior variação isolada do lançamento.

A afirmação sobre latência é onde os dois modelos finalmente compartilham uma unidade. O Grok Voice 3.0 publica 0,81 segundos até o primeiro áudio, o número mais rápido entre modelos conversacionais de ponta. O nível Flash do Qwen Audio tem como alvo cerca de 300 ms para o primeiro pacote. Essas não são a mesma medição: 300 ms é o tempo até o primeiro pacote de uma tarefa de renderização cujo texto você já tem, enquanto 0,81 segundos é o tempo para começar a falar depois que um humano parou de falar, o que inclui a decisão de que era a sua vez. Aproximadamente duas vezes e meia a latência compra a capacidade de ser interrompido. Se isso vale a pena depende inteiramente de se há uma pessoa do outro lado.

O Grok Voice 3.0 também traz as partes de um produto de voz que um modelo TTS deixa para você: a sessão duplex, a detecção de turno do lado do servidor, ferramentas com escopo de sessão para que o agente possa chamar um backend no meio da conversa, e a transcrição que vem junto. Ele não traz um modo de leitura de script, clonagem documentada como multilíngue nem dezesseis idiomas anunciados como recurso. Seu caso de uso endereçável é mais restrito que o do modelo TTS, e seu valor por hora é mais alto.

A versão honesta do projeto de lei em cascata

Um produto conversacional construído sobre um modelo de conversão de texto em fala é uma cascata: um modelo de reconhecimento de fala transforma a fala do chamador em texto, um modelo de linguagem decide o que dizer, e o modelo TTS o pronuncia. Três fornecedores, três faturas, três orçamentos de latência que se somam, e uma transferência em cada fronteira. A etapa de TTS pode custar US$ 1,66 por hora de áudio. As outras duas etapas são onde o dinheiro e os erros realmente estão, e a cascata não consegue ouvir uma pausa no meio de uma frase que já está falando.

O Grok Voice 3.0 funde as três pernas em uma única sessão e um único medidor — com dois detalhes que mantêm a conta honesta. Suas chamadas de ferramenta e qualquer raciocínio delegado rodam no backend que lhes responder, às tarifas do próprio modelo, então apontar o agente para um raciocinador de ponta que pesquisa a cada turno produz uma chamada cara por trás de uma camada de voz barata. E, a 300.000 minutos por mês, a tabela de preços é de US$ 24.000 só na metade referente à voz.

Esse segundo medidor é onde esta comparação deixa de ser uma escolha de modelo e se torna uma escolha de arquitetura, e é onde uma camada de roteamento conquista seu lugar. O OrcaRouter não carrega nem o Grok Voice 3.0 nem o Qwen-Audio-3.0-TTS; as camadas de voz em ambos os casos estão fora do nosso alcance e não roteamos nada disso. A perna de raciocínio não está.Duzentos e sete modelos de mais de uma dúzia de provedores upstream ficam atrás de uma única chave ao preço de tabela do provedor, sem nenhum markup, e uma redução de preço do provedor chega no mesmo dia, em vez de na sua próxima renovação de contrato. Para uma cascata que cobre a perna do meio por completo: mantenha duas opções de reconhecimento de fala e três motores de raciocínio atrás de um único endpoint, faça A/B deles com tráfego real e deixe o failover automático absorver uma indisponibilidade upstream sem derrubar uma chamada. Uma DSL de roteamento compõe vários modelos em uma única chamada para os casos em que um único motor de raciocínio não é suficiente.

Escolhendo, em uma pergunta

Compre Qwen-Audio-3.0-TTS se o resultado for conteúdo: narração, localização, áudio de acessibilidade, dublagem, ou qualquer fluxo de trabalho em que o texto exista antes de o áudio existir e a qualidade por hora renderizada for a métrica. Comece no Flash se precisar de reprodução ao vivo e passe para o Plus quando a própria voz for o entregável, defina o preço do fluxo de trabalho de clonagem separadamente das vozes predefinidas, e confirme a tarifa por milhão de caracteres ao nível da conta antes de construir uma previsão com base nela.

Compre o Grok Voice 3.0 se a entrada for uma pessoa. Linhas de suporte, fluxos de agendamento, entrevistas de admissão, qualquer coisa em que a primeira sílaba de quem liga chega enquanto o modelo está no meio de uma frase e o sistema tem de se comportar como um ouvinte, e não como um reprodutor. Custa mais por hora de áudio, não consegue ler o seu documento e é o único dos dois que pode ser interrompido.

Muitos produtos reais querem os dois — um modelo de renderização que produz os ativos de áudio e um modelo duplex que lida com a chamada à qual esses ativos pertencem. O que eles não devem compartilhar é um modelo de custo. Por hora de áudio é a unidade correta para um desses dois, e o custo real do outro é o pipeline que você evitou ao não construir uma cascata.