Voxtral 3 TTS vs Qwen-Audio-3.0-TTS-Plus: Duas vozes baratas, dois mapas diferentes

Ambos estes modelos são mais baratos do que a fronteira e ambos estão fora dela, o que faz da escolha entre Voxtral 3 T​TS e Q​wen-Audio-3.0-T​TS-Plus uma questão de cobertura, e não de qualidade. No ranking Provider Voice da Artificial Analysis, eles estão separados por 47 pontos de Elo — Q​wen em 1.264 (#7), o novo modelo da Mistral em 1.217 (#13) — e seus preços são US$ 19,31 e US$ 13,00 por milhão de caracteres. Nenhuma das diferenças é decisiva. O que é decisivo é que o modelo da A​libaba foi construído em torno do chinês, incluindo vinte regiões dialetais e oitenta e seis tags de entrega inline, enquanto o da Mistral foi construído em torno das vinte e quatro línguas oficiais da União Europeia. Se o seu produto fala mandarim, cantonês ou hokkien, a discussão termina na lista de idiomas. Se fala português, polonês ou holandês, também termina ali, na direção oposta. As falhas de IA documentadas e os incidentes com agentes por trás de lançamentos como este estão reunidos em o OrcaRouter AI Incident Archive, onde cada entrada traz suas próprias fontes, gravidade, grau de confiança e sinalização de disputa.

Os números, e o peso que carregam

• Elo de Voz do Provedor — Q​wen-Audio-3.0-T​TS-Plus: 1.264. Voxtral 3 T​TS: 1.217. Ambos segundo a Artificial Analysis, 21 de outubro de 2026.

• Elo de Voz Controlada — Q​wen-Audio-3.0-T​TS-Plus: 1.125 (#7). Voxtral 3 T​TS: 1.066 (#14). A diferença aumenta de 47 para 59 pontos quando ambos são clonados nas mesmas oito vozes de referência, o que significa que a vantagem da A​libaba está no mecanismo de síntese, e não na biblioteca de vozes.

• Preço por 1 milhão de caracteres — US$ 19,31 para Q​wen-Audio-3.0-T​TS-Plus, US$ 13,00 para Voxtral 3 T​TS. A aproximadamente 900 caracteres por minuto falado, isso equivale a US$ 1,04 contra US$ 0,70 por hora.

• Idiomas — Alibaba: 16 idiomas, além de 20 regiões de dialetos chineses. Mistral: mais de 35 idiomas e mais de 50 dialetos, com predefinições em 18 idiomas.

• Clonagem de voz — Alibaba: clonagem com áudio de referência, incluindo transferência de timbre entre idiomas. Mistral: adaptação "Pro Voice" a partir de 30 minutos de áudio. Nenhum dos dois oferece o clone instantâneo de dez segundos que a Cartesia vende.

• Pesos — fechados em ambos os lados. Ambos são produtos exclusivos de API.

• Latência — A Alibaba publica separadamente um valor de streaming do primeiro caractere para seus modelos de reconhecimento e para um modelo de voz em tempo real; a Mistral não publica nenhum tempo até o primeiro áudio para o Voxtral 3 TTS. Nenhum dos dois números é comparável entre fornecedores e, para síntese, nenhum deles é uma medição independente.

Uma ressalva sobre os números Elo: o Voxtral 3 T​TS estava no ranking há apenas um dia quando estes foram lidos, com 1.619 comparações contra 2.399 do Q​wen. Uma diferença de 47 pontos dentro de intervalos de confiança sobrepostos nesse tamanho de amostra é uma direção, não um veredito. Leia como “o Q​wen provavelmente está um pouco à frente”, e não como um 47 medido.

Onde o modelo da A​libaba vence, e não é uma vitória marginal

A cobertura do chinês é a primeira e maior diferença, e vale a pena ser preciso quanto ao que significam “20 regiões dialetais”. A linha de fala da Alibaba foi criada para um mercado interno em que uma única língua escrita corresponde a falas que um modelo apenas de mandarim deturpa: cantonês, sichuanês, wu, minnan e mais. O Qwen-Audio-3.0-TTS-Plus abrange essas regiões nativamente, e a geração 3.1 da Alibaba acrescentou transferência de timbre entre línguas — uma única voz transportada entre mandarim, cantonês, inglês e japonês —, que é o recurso que importa se estiver a localizar um único apresentador em vez de fazer casting por mercado.

O segundo é o controle de entrega no nível do token. O Q​wen-Audio-3.0-T​TS-Plus herdou um conjunto documentado de 86 tags de entrega inline de sua geração, permitindo que um roteiro carregue marcadores de emoção, ritmo e ênfase diretamente na transcrição. O Voxtral 3 T​TS da Mistral expõe controle no nível do prompt de emoção, ritmo e ênfase, além de pronúncia no nível do fonema e uma biblioteca de vocabulário — comparável em intenção, mas o vocabulário de tags da A​libaba é o mais granular dos dois no papel.

A terceira é que a Alibaba lançou uma versão irmã mais barata. A atualização 3.1 transformou o TTS em um SKU da linha Flash, de modo que uma equipe que considera a categoria 3.0-Plus cara demais tem um caminho de downgrade documentado dentro do mesmo fornecedor, a um preço aproximadamente igual ao do Voxtral 3 TTS. A resposta da Mistral para “mais barato, por favor” é o mesmo modelo ou um fornecedor diferente.

Onde o modelo da Alibaba é mais fraco também é igualmente claro: 16 idiomas é um mapa pequeno. Se o seu catálogo funciona em polonês, turco, vietnamita ou português, o Qwen-Audio-3.0-TTS-Plus não cobre você, e nenhuma quantidade de Elo fecha essa lacuna.

Onde o Voxtral 3 T​TS vence

Abrangência linguística fora da Ásia, sem rodeios. Mais de trinta e cinco línguas e mais de 50 dialetos declarados, e uma família orientada para a contratação pública europeia: a Mistral declara as 24 línguas oficiais da UE nos modelos de transcrição e nos endpoints de API da UE, dos EUA e globais, com implementação própria em infraestrutura privada para compradores que precisam de controlar onde o áudio é processado e se é retido. Para um comprador europeu do setor público ou da saúde, isso não é um critério de desempate, é um requisito.

O segundo é a pilha ao redor. O Voxtral 3 T​TS não é vendido como um endpoint isolado: ele vem com um SDK de agente baseado em LiveKit que oferece suporte a SIP, WebRTC e IVR, uma alegação de latência de turno de agente abaixo de um segundo e um preço por minuto para o loop inteiro — US$ 0,04 com raciocínio do Mistral Small 4, US$ 0,08 com um modelo de raciocínio diferente. A​libaba também tem um modelo de voz em tempo real, mas o da Mistral está documentado como uma proposta de pacote com um número publicado por minuto, o que é mais fácil para construir um caso de negócios do que uma tabela de preços por token.

O terceiro é o preço, por uma margem estreita. US$ 13 contra US$ 19,31 é um desconto de 33%, e em escala isso é um número real: dez mil horas por mês custam cerca de US$ 7.000 contra US$ 10.400. Não é um evento de reprecificação, mas também não é nada.

O argumento do roteamento é mais forte aqui do que na maioria dos confrontos.

A maioria dos artigos que comparam modelos termina com "escolha um". Este par é um verdadeiro problema de portefólio, porque os dois mapas de cobertura quase não se sobrepõem nos limites e ambos são suficientemente baratos para funcionar lado a lado. Uma plataforma europeia de comércio eletrónico que narra páginas de produtos em oito línguas da UE e também serve uma base de clientes falantes de cantonês precisa dos dois. Tal como um estúdio de dobragem que trabalha numa série com diálogos em mandarim e legendas em francês.

A parte incômoda de executar os dois não é a escolha do modelo, é a infraestrutura: dois fornecedores, dois esquemas de autenticação, duas relações de cobrança, dois conjuntos de modos de falha. O OrcaRouter existe exatamente para esse cenário — uma única chave compatível com OpenAI para mais de 200 modelos, preço de tabela do fornecedor repassado com 0% de markup, de modo que uma mudança de preço de um fornecedor entre em vigor no mesmo dia, e uma DSL de roteamento que consegue enviar uma solicitação marcada por idioma para o modelo que cobre esse idioma. Nem o Voxtral 3 T​TS nem o Q​wen-Audio-3.0-T​TS-Plus estão no catálogo do OrcaRouter até o momento desta publicação, e uma API para mais de 200 modelos é uma afirmação sobre o catálogo que de fato operamos, não sobre esses dois — hoje ambos são acessados por meio das APIs dos próprios fornecedores e de várias plataformas de terceiros. O ponto de design continua válido de qualquer forma: se a sua matriz de idiomas exige dois fornecedores, você quer que a divisão fique em uma regra de roteamento, e não em dois caminhos de código.

O que nenhum dos dois fornecedores publicou

Três lacunas, e são as mesmas três em ambos os casos, o que diz algo sobre o quão jovem ainda é este nível do mercado.

Sem pontuações por idioma. As duas pontuações Elo são agregadas. Um modelo pode estar em 1.264 no geral e ser excelente em mandarim e medíocre em francês; o painel não consegue dizer, e nenhum dos fornecedores publica uma discriminação por idioma. Para qualquer decisão que dependa da qualidade num idioma específico, o único teste confiável é o seu próprio corpus, lido por um falante nativo a quem não se diga qual modelo produziu cada amostra.

Nenhum dado de resistência em formato longo. Os clipes da Arena duram segundos. Nenhum dos modelos documenta um comprimento máximo de geração para seu endpoint TTS, e nenhum tem um teste publicado de coerência ao longo de dez minutos — o comprimento no qual um audiolivro funciona ou não. A geração 3.1 do Qwen transferiu a geração de cenas de formato longo para um modelo separado -Next em vez de estender o endpoint TTS, o que é uma admissão implícita de que o modelo base não é a ferramenta de formato longo.

Não há medição independente de latência. A Mistral não publica nada sobre a síntese TTS do Voxtral 3 T​TS; a A​libaba publica números do fornecedor. A Artificial Analysis reporta uma taxa de transferência mediana de 112 caracteres por segundo para o Voxtral 3 T​TS, mas não para o Q​wen-Audio-3.0-T​TS-Plus na mesma página. Em um agente de voz ao vivo, o tempo até o primeiro áudio determina a experiência do produto mais do que o Elo, e é o número menos documentado da categoria.

A divisão honesta

Escolha Q​wen-Audio-3.0-T​TS-Plus se o produto fala chinês — mandarim com sotaques regionais, cantonês ou alternância entre chinês e inglês — ou se precisa de etiquetas granulares de locução na transcrição e quer um fornecedor com um plano mais barato documentado abaixo do principal. Custa 48% mais do que o Voxtral e está mensuravelmente à frente em ambos os rankings; para trabalhos centrados no chinês, é dinheiro bem gasto.

Escolha Voxtral 3 TTS se o produto fala línguas europeias, se a residência de dados na UE é um requisito de contratação, ou se você está criando um agente de voz e quer a síntese integrada a um SDK de agente e um preço publicado por minuto. Você abre mão de 47 Elo e ganha um mapa de idiomas que cobre os mercados em que você vende.

Escolha ambos — e faça o roteamento entre eles — se seu público realmente abrange os dois mapas. Numa leitura de Elo por dólar, os dois são próximos o suficiente para que o empate se decida pela cobertura, não pela pontuação, e um produto com clientes em Guangzhou e Gdańsk não tem uma única resposta certa.

O que vale a pena acompanhar é se algum dos fornecedores publica uma discriminação por idioma. No momento em que um deles o fizer, esta comparação deixa de ser uma discussão sobre mapas e passa a ser uma discussão sobre medições, o que é uma discussão melhor de se ter.