AssemblyAI-TTS-1 против Qwen-Audio-3.0-TTS: модель в заголовке — не та, которую стоит покупать

В этом сравнении упоминается Qwen-Audio-3.0-TTS, и это проблема, которую стоит исправить, прежде чем приводить какие-либо цифры. Alibaba лишила 3.0 статуса флагманской модели синтеза речи 23 сентября 2026 года, когда серия Qwen-Audio-3.1 была представлена на конференции Apsara и вывела Qwen-Audio-3.1-TTS-Plus на вершину собственной линейки TTS. Итак, честная версия этого противостояния — три модели, а не две — AssemblyAI-TTS-1, закрытая конечная точка с ценой $15 за миллион символов, ставшая общедоступной 27 октября 2026 года, против обоих поколений речевого стека Qwen — и ответ меняется в зависимости от того, какую именно версию Qwen вы имели в виду. Если в вашем контракте, интеграции или закупочной записке указано 3.0, читайте следующий раздел. Если указано 3.1, пропустите его.

Сначала поправка: 3.0 — это не текущая версия Qwen.

Qwen-Audio-3.0-TTS вышла 20 июля 2026 года в двух уровнях. Flash создавалась для использования в реальном времени с задержкой первого пакета около 300 мс; Plus была уровнем качества по цене $27.59 за миллион символов через Alibaba Cloud Model Studio. Семейство охватывает 16 языков плюс 20 регионов китайских диалектов, поддерживает 86 встроенных управляющих тегов, таких как [angry] и [giggles], наряду со свободными указаниями стиля на естественном языке, выполняет устойчивое к шуму zero-shot клонирование, выдаёт результат на 48 кГц и синтезирует до трёх минут за один проход. Она закрытая и доступна только как облачный сервис — без открытых весов, что стало намеренным отходом от более ранней открытой по весам Qwen3-TTS от Alibaba.

Десять недель спустя стек 3.1 заменил его во всех компонентах: ASR, TTS, TTS-Next и realtime. Тариф TTS 3.1 предлагает тот же набор из 8 голосов, указан в ценовой колонке Artificial Analysis как $19.3 за миллион символов и представляет собой именно тот вариант, который на самом деле имеют в виду большинство сравнений Qwen с конца сентября. Практически: 3.0 по-прежнему можно вызывать, если вы уже интегрированы; новому покупателю предлагают 3.1; а любая статья, которая ставит июльский показатель 3.0 рядом с октябрьским запуском, не оговаривая этого, продаёт вам устаревшее сравнение.

Табло, прочитанное один раз, для всех трёх.

Provider Voice Arena от Artificial Analysis, данные на 30 октября 2026 года, поэтому для каждой строки ниже используется один и тот же инструмент:

• Qwen-Audio-3.1-TTS-Plus — третье место, 1 305 Elo, 2 281 образец, выпущен в сентябре 2026 года.

• Qwen-Audio-3.0-TTS-Plus — седьмое место, 1 269 Elo, 2 794 образца, выпуск в июне–июле 2026 года.

• AssemblyAI-TTS-1 — четырнадцатое место, 1 227 Elo, 1 632 образца, выпущена в октябре 2026 года.

• ElevenLabs Eleven v4 Turbo и Eleven v4 занимают первое и второе места с показателями 1,336 и 1,334 — для ориентира, к которому эта статья не относится.

Разрыв в 78 пунктов между AssemblyAI-TTS-1 и текущим уровнем Qwen TTS реален, но это не самый большой разрыв в этом сравнении — ElevenLabs на 31 пункт выше Qwen и на 109 пунктов выше AssemblyAI по тому же измерению. Важнее то, что строка на 1 632 образца для модели, которой всего четыре дня, — это слабое доказательство, а интервалы в этой таблице достаточно широки, чтобы повторный запуск мог переместить AssemblyAI-TTS-1 на несколько позиций, хотя с самой моделью ничего не изменится.

Шестнадцать символов в секунду — это число, которое всё решает.

Вот измерение, которое почти никто не включает в сравнение с Qwen, и именно оно важно для задачи, для которой был создан AssemblyAI-TTS-1.

Artificial Analysis измеряет AssemblyAI-TTS-1 на уровне 162 символов в секунду синтеза. Qwen-Audio-3.0-TTS-Plus при аналогичном методе измерения генерирует около 16 символов в секунду — это самая медленная модель среди всех, кто находится близко к вершине арены. Уровень 3.1 улучшил этот показатель, но скорость генерации по-прежнему остаётся слабой стороной этого семейства, а не его сильной стороной.

Теперь переведём это в единственную единицу, которая имеет значение для агента в реальном времени. Обычная речь звучит примерно на 900 символов в минуту, то есть 15 символов в секунду. Модель, генерирующая 16 символов в секунду, с точностью до погрешности округления имеет коэффициент реального времени 1,0 — она едва успевает за одним потоком воспроизведения и не может обслуживать два одновременных разговора без дополнительного оборудования. Модель со скоростью 162 символа в секунду имеет примерно десятикратный запас по потокам на ту же единицу вычислений.

Это меняет трактовку разрыва в Elo. 78-пунктовое отставание по слепым предпочтениям — это вопрос качества, на который можно ответить с помощью собственного корпуса. Десятикратное отставание по пропускной способности — это вопрос ёмкости, который приходит в виде счёта, потому что решение — больше GPU-секунд на каждого одновременно обращающегося клиента, а при ценах хостинга Alibaba это не тот рычаг, который вы контролируете.

Обе оговорки, изложенные прямо. Это два поставщика, измеренные на одном инструменте, а не контролируемое прямое сравнение; пропускная способность генерации зависит от оборудования, пакетной обработки и длины последовательности. И речевой токенизатор Qwen с частотой 12,5 Гц — намеренно низкой по сравнению с обычными 50–75 Гц — именно он удерживает задержку до первого пакета около 300 мс на уровне Flash. Qwen оптимизировал задержку до первого звука. AssemblyAI оптимизировал количество символов в секунду после начала реплики. Это разные ставки, и телефонный агент ощущает обе.

Языки и теги управления — вот в чём Qwen никто и близко не может превзойти.

Если аргумент о пропускной способности решает исход дела колл-центра, то языковой аргумент решает всё остальное, и это совсем не тонкий момент:

• Покрытие — Qwen-Audio-3.0-TTS поддерживает 16 языков и 20 регионов китайских диалектов; AssemblyAI-TTS-1 выпущен с шестью (английский, испанский, французский, немецкий, итальянский, португальский) и несколькими акцентами внутри них.

• Направление — Qwen предоставляет 86 встроенных управляющих тегов плюс свободные стилевые промпты; AssemblyAI-TTS-1 на старте не имеет ни тегов эмоций, ни SSML, ни параметра скорости, ни словаря произношения, а в собственном посте модели говорится, что письменные дисфлюэнтности читаются как написаны, а не отыгрываются.

• Клонирование — Qwen выполняет устойчивое к шуму zero-shot-клонирование; AssemblyAI выполняет мгновенное клонирование по 24-секундному образцу с этапом подтверждения разрешения говорящего. Ни один из них не предлагает уровень обученного профессионального клонирования — это продукт ElevenLabs, а не Qwen или AssemblyAI.

• Выход — Qwen синтезирует на частоте 48 кГц с ограничением в три минуты за один проход; AssemblyAI передаёт потоком PCM 8–48 кГц, µ-law или A-law со временными метками слов и сообщением отмены при перебивании — а это именно та инфраструктура, которая реально нужна телефонному стеку.

• Открытость — ни один не публикует веса. Оба доступны только как хостинговые сервисы, в пределах региона, по цене вендора.

Из этой таблицы напрашивается очевидный вывод: AssemblyAI-TTS-1 не является многоязычным продуктом и не претендует на это. Если вашему агенту нужно говорить на японском, корейском или китайском (мандаринском), ответ — семейство Qwen, и на этом статья заканчивается. Если ваш агент общается на английском с англоязычными абонентами и иногда на испанском, шести языков достаточно, а список возможностей Qwen означает, что вы платите за функции, которые ваши промпты никогда не используют.

Цена за час, три способа

Используя ту же оценку, что и везде в этой серии — около 900 символов речи в минуту, то есть примерно 54 000 в час — часовая стоимость синтеза составляет:

• AssemblyAI-TTS-1 — 15 долларов за миллион символов, включая все голоса, языки и клонирование, неограниченная параллельность без дополнительной платы: около 0,81 доллара за час аудио.

• Qwen-Audio-3.0-TTS-Plus — 27,59 доллара США за миллион символов в Alibaba Cloud Model Studio: около 1,49 доллара США в час.

• Qwen-Audio-3.1-TTS-Plus — $19,3 за миллион символов по данным Artificial Analysis: около $1,04 в час.

Обратите внимание на расхождение, которое вы сами можете видеть на панели: Artificial Analysis указывает для обоих поколений Qwen цену $19.3 за миллион символов, тогда как карточка 3.0-Plus в Model Studio от Alibaba указывает $27.59. Это два разных инструмента — прайс-лист вендора и нормализация на панели, — и ни один из них не является счётом, который вы получите, когда в разговор вступит ценообразование при согласованном объёме. В приведённых выше почасовых показателях каждое число используется в том виде, как оно обозначено, поэтому считайте ставку 3.1 единицей сравнения, а ставку 3.0 — наиболее близкой к прайс-листу.

AssemblyAI — самый дешёвый из трёх: на 22% дешевле текущего тарифа Qwen и на 45% дешевле тарифа, упомянутого в заголовке этой статьи. Но деньги не в колонке цены. Деньги — в колонке пропускной способности, потому что модель, работающая с коэффициентом реального времени 1,0, требует примерно в десять раз больше аппаратных ресурсов на каждого одновременного вызывающего абонента, чем модель, работающая со скоростью 162 символа в секунду, — а облачное ценообразование за символ скрывает этот множитель внутри планирования мощностей провайдера, пока он не проявится в виде троттлинга или задержки в пиковые моменты.

Что здесь на самом деле добавляет роутер

Реалистичное развёртывание для команды, принимающей это решение, — это не одна из моделей в отдельности. Это англоязычные реплики на дешёвом и быстром эндпоинте и неанглоязычные реплики на уровне Qwen, переключаемые по языку обращающегося, — а это задача маршрутизации, а не проблема модели. Именно этот слой OrcaRouter закрывает для остальной части стека: один API для более чем 200 моделей по прайс-листовой цене провайдера с нулевой наценкой, автоматическое переключение при деградации провайдера и DSL маршрутизации, который объединяет несколько моделей за одним эндпоинтом вместо нескольких контрактов и нескольких SDK.

Если быть точным в том, что это означает, а что нет: ни AssemblyAI-TTS-1, ни какой-либо уровень Qwen-Audio TTS сегодня не входят в каталог OrcaRouter. Речевые модели, которые мы маршрутизируем, — это OpenAI tts-1, tts-1-hd и gpt-4o-mini-tts, а также превью Gemini TTS от Google. Таким образом, аргумент о маршрутизации относится к языковой модели, которая пишет предложение, читаемое вашим TTS, и к любой речевой модели, которую вы добавите позже и которая у нас действительно есть, — но не к этим двум.

Для кого на самом деле это сравнение

Купите Qwen-Audio-3.1-TTS-Plus — а не 3.0 — если вашему агенту нужно говорить более чем на шести языках, если вам требуется управляемая подача, а не простое чтение, или если вы уже работаете в Alibaba Cloud и ограничивающим фактором является контракт. Он занимает третье место в слепом рейтинге, стоит $1.04 в час, и именно скорость генерации нужно проверить на соответствие вашему целевому показателю параллелизма, прежде чем брать на себя обязательства.

Купите AssemblyAI-TTS-1, если нагрузка — это телефонные разговоры преимущественно на английском при больших объёмах: фиксированная ставка $15, неограниченная параллельность без дополнительной платы, запас в 162 символа в секунду, встроенные временные метки слов и отмена при перебивании, а также независимое измерение задержки в 159 мс, которое стоит сопоставить с заявленными поставщиком 90 мс. Примите, что вы отказываетесь от десяти языков, 86 управляющих тегов и любой возможности исправить неправильно произносимую аббревиатуру с помощью словаря — и что его самый слабый независимый субпоказатель, 73,8% в раскрытии сокращений, — это именно та ошибка, которую замечает звонящий.

Ошибка, которой нужно избежать, — та, к которой провоцировало название этой статьи: ссылаться на оценку июльской модели в октябрьском решении, а затем при интеграции обнаружить, что названный вам уровень — это тот, который её заменил. Проверьте, какой именно Qwen вам на самом деле продают, прежде чем сравнивать его с чем-либо.