Grok Voice 3.0 против Qwen-Audio-3.0-TTS: один из них способен вас слышать, и это не более дешёвый

Поставьте две тарифные карты рядом — и модель Alibaba выигрывает втрое. Qwen-Audio-3.0-TTS синтезирует речь за $27,6 за миллион символов, что составляет примерно $1,66 аудио в час, и уже сегодня доступен как размещённый API через Alibaba Cloud Model Studio. Grok Voice 3.0, анонсированный SpaceXAI 14 октября 2026 года, тарифицируется по $0,08 за минуту аудио — $4,80 в час — плюс $0,004 за текстовый ввод. Диктор — более дешёвый продукт, и диктор не слышит ничего из того, что вы говорите. Qwen-Audio-3.0-TTS — это модель преобразования текста в речь. Grok Voice 3.0 — это полнодуплексная модель преобразования речи в речь, которой приходится несколько раз в секунду решать, закончили ли вы говорить. Цена за час аудио — правильная метрика ровно для одного из них.

Вот и всё сравнение в одном абзаце, а всё, что ниже, — это то, что решает, какие развёртывания выбрать: во сколько обходится эксплуатация каждого из них, если учесть участки пайплайна вокруг него.

Один рендерит скрипт. Другой принимает звонок.

Синтез речи принимает текст и возвращает аудио. Здесь нет входного аудио, нет хода, который нужно сделать, нет понятия прерывания и никакая расшифровка не возвращается, потому что модель вообще ничего не слышала. Её модель затрат — это печатный станок: страницы на входе, аудио на выходе, — а единственные два числа, которые имеют значение, — это качество и пропускная способность; и то и другое можно измерить до выпуска.

Полнодуплексная модель обрабатывает входящий звук, одновременно создавая исходящий звук. Её задача включает части разговора, не связанные со словами: делать паузу, когда делает паузу абонент, продолжать при короткой реплике-поддакивании, а не воспринимать её как прерывание, уступать слово посреди фразы и запускать вызов инструмента, не теряя нить разговора. Grok Voice 3.0 делает всё это и возвращает расшифровки вместе с сессией, что возможно только потому, что она слушала всё время.

Если ваш продукт читает статьи вслух, преобразует документацию в аудио или озвучивает видео, Grok Voice 3.0 — неподходящий инструмент: его почасовая цена в три раза выше, и он вообще не справится с задачей, потому что не принимает сценарий и не создаёт файл. Если ваш продукт принимает телефонные звонки, Qwen-Audio-3.0-TTS — лишь одна треть пайплайна, которому всё ещё нужны распознавание речи и языковая модель, чтобы стать разговором, — и каждое из этих звеньев добавляет затраты, задержку и границу, на которой умирает просодия.

В чём Qwen-Audio-3.0-TTS действительно силён

Аргументы в пользу модели Alibaba — это не маркетинг. Выпущенная 20 июля 2026 года лабораторией Tongyi Lab компании Alibaba и предоставляемая как облачный закрытый API, версия Plus заняла первое место на арене синтеза речи Artificial Analysis, когда появилась. Таблицы лидеров меняются, и эта не стала исключением: по состоянию на сентябрь 2026 года Qwen-Audio-3.0-TTS-Plus занимает четвёртое место в Provider Voice Arena с рейтингом Elo 1 232 на основе 2 306 образцов, уступая Cartesia Sonic 3.6 с 1 275, Inworld Realtime TTS-2 с 1 244 и Simba 3.2 от Speechify с 1 233 — трём моделям, вышедшим в июле и августе после неё. Четвёртое место из более чем двадцати, с утраченным лидерством и сохранившимся ценовым преимуществом — всё ещё сильная позиция. Просто это не та позиция, которую описывали в материалах о запуске.

• Языковой охват — 16 языков с ведущими позициями в 10 из них, а также 20 регионов китайских диалектов.

• Клонирование голоса — по коротким эталонным образцам, включая кросс-языковое клонирование.

• Выразительное управление — 86 встроенных тегов эмоций и подачи.

• Пропускная способность — Plus генерирует примерно 16 символов в секунду. При пакетном рендеринге это незаметно; для продукта в реальном времени это число, которое определяет ваш буфер.

• Уровни — Flash ориентирован на задержку примерно 300 мс до первого пакета для воспроизведения в реальном времени; Plus — это уровень качества. Это разные продукты с одинаковым названием, и выбор не того из них — распространённая первая ошибка.

• Пробел в документации — широко цитируемые $27,6 за миллион символов не во всех снимках совпадают с собственной страницей тарифов Alibaba, на которой в отдельные моменты указывались более низкие значения для обоих тарифных уровней. Проверяйте эту цифру на уровне аккаунта, прежде чем строить прогноз, а не берите её из таблицы лидеров.

Два предостережения, которые стоит учитывать при планировании. Несмотря на поддержку шестнадцати языков, публичные предустановленные голоса почти полностью китайские и английские, а остальные четырнадцать доступны через процесс клонирования, а не из коробки. А 86 встроенных тегов эмоций работают только в режиме однонаправленной потоковой передачи, поэтому выразительное управление сохраняется не при всех путях интеграции.

Осторожность нужна и в отношении одной версии. Alibaba теперь указывает поколение Qwen-Audio-3.1-TTS и отдельное семейство Qwen Audio 3.0 Realtime, и это не та же модель, что Qwen-Audio-3.0-TTS — линейка Realtime представляет собой продукт «речь в речь», который фигурирует в совершенно другом рейтинге. Всем, кто сравнивает «Qwen Audio 3.0» с разговорной моделью, следует проверить, какую именно строку в собственном прайс-листе Alibaba они на самом деле читают.

Сколько стоит Grok Voice 3.0 и что он не решает

Grok Voice 3.0 появилась 14 октября 2026 года по цене $0.08 за минуту аудио плюс $0.004 за текстовый ввод — без изменений относительно модели, которую она заменяет, при этом grok-voice-latest теперь указывает на неё, а grok-voice-2.0 помечена как устаревшая. В индексе Speech to Speech Index от Artificial Analysis она занимает верхнюю строчку с 86.9, а её наивысший компонент — агентная производительность: 71.6% на τ-Voice против 56.5% у предшественника — крупнейшее единичное изменение в этом релизе.

Заявленная задержка — вот где две модели наконец используют одну и ту же единицу измерения. Grok Voice 3.0 публикует 0,81 секунды до первого аудио — самый быстрый показатель среди передовых разговорных моделей. Уровень Flash в Qwen Audio ориентирован примерно на 300 мс до первого пакета. Это не одно и то же измерение: 300 мс — это время до первого пакета задачи рендеринга, текст которой у вас уже есть, тогда как 0,81 секунды — это время до начала речи после того, как человек прекратил говорить, которое включает решение о том, что была ваша очередь. Примерно в два с половиной раза большая задержка даёт возможность быть прерванным. Стоит ли это того, полностью зависит от того, находится ли человек на другом конце.

Grok Voice 3.0 также привносит те части голосового продукта, которые TTS-модель оставляет вам: дуплексную сессию, серверное определение реплик, инструменты, привязанные к сессии, чтобы агент мог обратиться к бэкенду в середине разговора, и транскрипцию, которая возвращается вместе с ним. Он не привносит режим чтения сценария, клонирование, документированное как кросс-лингвальное, или шестнадцать языков, продвигаемых как функция. Его адресуемый сценарий использования уже, чем у TTS-модели, а цена за час выше.

Честная версия каскадного законопроекта

Разговорный продукт, построенный на модели синтеза речи, — это каскад: модель распознавания речи преобразует речь звонящего в текст, языковая модель решает, что сказать, а модель TTS произносит это. Три поставщика, три счёта, три бюджета задержки, которые складываются, и передача на каждой границе. Звено TTS может стоить 1,66 доллара за час аудио. Два других звена — это то, где на самом деле находятся деньги и ошибки, а каскад не может услышать паузу в середине предложения, которое он уже произносит.

Grok Voice 3.0 сводит три составляющие в одну сессию и один счётчик — с двумя деталями, которые обеспечивают честность счёта. Его вызовы инструментов и любое делегированное рассуждение выполняются на том бэкенде, который их обслуживает, по тарифам самой этой модели, поэтому если направить агента на передовую модель-рассуждатель, которая выполняет поиск на каждом ходу, это приведёт к дорогому вызову за дешёвым голосовым слоем. А при 300 000 минут в месяц тарифная сетка даёт $24 000 только на голосовую половину.

Именно на втором показателе это сравнение перестаёт быть выбором модели и становится выбором архитектуры, и именно там слой маршрутизации оправдывает своё место. OrcaRouter не предоставляет ни Grok Voice 3.0, ни Qwen-Audio-3.0-TTS; голосовые слои в обоих случаях вне нашей досягаемости, и мы ничего из этого не маршрутизируем. А вот звено рассуждений — нет. Двести семь моделей от более чем дюжины апстримов доступны через один ключ по цене из прайс-листа провайдера без наценки, а снижение цены провайдером вступает в силу в тот же день, а не при следующем продлении вашего контракта. Для каскада, который полностью покрывает среднее звено: держите два варианта распознавания речи и три модели рассуждений за одной конечной точкой, проводите их A/B-тестирование на реальном трафике, и пусть автоматическое переключение при сбое поглощает сбой апстрима, не прерывая вызов. DSL маршрутизации объединяет несколько моделей в один вызов для случаев, когда одной модели рассуждений недостаточно.

Выбор, в одном вопросе

Купите Qwen-Audio-3.0-TTS, если результат — это контент: озвучка, локализация, аудио для доступности, дубляж или любой рабочий процесс, где текст существует до появления аудио, а метрикой является качество на час отрендеренного материала. Начните с Flash, если вам нужно живое воспроизведение, и переходите на Plus, когда сам голос является конечным продуктом, оценивайте рабочий процесс клонирования отдельно от предустановленных голосов и подтвердите ставку за миллион символов на уровне аккаунта, прежде чем строить на ней прогноз.

Купите Grok Voice 3.0, если на входе — человек. Линии поддержки, сценарии бронирования, вступительные интервью — всё, где первый слог звонящего звучит, пока модель ещё на середине предложения, и система должна вести себя как слушатель, а не как проигрыватель. Он стоит дороже за час аудио, не умеет читать ваш документ, и только он из этих двух может быть прерван.

Многие реальные продукты хотят и то и другое — модель рендеринга, создающую аудиоресурсы, и дуплексную модель, обрабатывающую звонок, которому эти ресурсы принадлежат. А вот что им не стоит делить, так это модель затрат. Час аудио — правильная единица для одного из этих двух, а реальная стоимость другого — это конвейер, которого вы избежали, не построив каскад.