Voxtral 3 TTS против Qwen-Audio-3.0-TTS-Plus: два недорогих голоса, две разные карты

Обе эти модели дешевле фронтира и обе находятся за его пределами, что делает выбор между Voxtral 3 T​TS и Q​wen-Audio-3.0-T​TS-Plus вопросом покрытия, а не качества. В рейтинге Provider Voice от Artificial Analysis они различаются на 47 пунктов Elo — Q​wen набирает 1,264 (#7), новая модель Mistral — 1,217 (#13) — а их цены составляют $19.31 и $13.00 за миллион символов. Ни один из этих разрывов не является решающим. Решающим является то, что модель A​libaba строилась вокруг китайского языка, включая двадцать диалектных регионов и восемьдесят шесть встроенных тегов подачи, тогда как Mistral — вокруг двадцати четырёх официальных языков Европейского союза. Если ваш продукт говорит на мандаринском, кантонском или хоккиен, спор заканчивается на списке языков. Если он говорит на португальском, польском или нидерландском, спор заканчивается там же, только в другую сторону. Документированные сбои ИИ и инциденты с агентами, стоящие за такими релизами, как этот, собраны в Архив инцидентов ИИ OrcaRouter, где каждая запись содержит собственные источники, уровень серьёзности, степень уверенности и пометку об оспаривании.

Цифры — и насколько они весомы

• Elo голоса провайдера — Q​wen-Audio-3.0-T​TS-Plus: 1 264. Voxtral 3 T​TS: 1 217. Оба — по данным Artificial Analysis, 21 октября 2026 г.

• Контролируемый Voice Elo — Qwen-Audio-3.0-TTS-Plus: 1 125 (#7). Voxtral 3 TTS: 1 066 (#14). Разрыв увеличивается с 47 до 59 баллов, когда оба клонируются на одни и те же восемь эталонных голосов, что означает: преимущество Alibaba заключается в движке синтеза, а не в библиотеке голосов.

• Цена за 1 млн символов — $19.31 для Q​wen-Audio-3.0-T​TS-Plus, $13.00 для Voxtral 3 T​TS. При примерно 900 символах в минуту речи это $1.04 против $0.70 в час.

• Языки — A​libaba: 16 языков плюс 20 регионов китайских диалектов. Mistral: 35+ языков и 50+ диалектов, с пресетами на 18 языках.

• Клонирование голоса — A​libaba: клонирование по эталонному аудио, включая кросс-языковой перенос тембра. Mistral: адаптация «Pro Voice» по 30 минутам аудио. Ни один из них не предлагает мгновенное клонирование за десять секунд, которое продаёт Cartesia.

• Weights — закрыты с обеих сторон. Оба продукта доступны только через API.

• Задержка — A​libaba отдельно публикует показатель времени до первого символа в потоковом режиме для своих моделей распознавания и для модели голоса в реальном времени; Mistral не публикует время до первого аудио для Voxtral 3 T​TS. Ни один из этих показателей нельзя сравнивать между поставщиками, а для синтеза ни один из них не является независимым измерением.

Одна оговорка по показателям Elo: Voxtral 3 T​TS находился в таблице лидеров всего один день, когда считывались эти данные, при 1,619 сравнениях против 2,399 у Q​wen. Разрыв в 47 пунктов при пересекающихся доверительных интервалах на такой выборке — это направление, а не вердикт. Воспринимайте это скорее как «Q​wen, вероятно, несколько впереди», а не как измеренный разрыв в 47 пунктов.

Где модель A​libaba побеждает, и это не незначительная победа

Китайское покрытие — это первое и самое крупное отличие, и стоит точно пояснить, что означают «20 диалектных регионов». Речевая линейка A​libaba создана для внутреннего рынка, где один письменный язык соответствует речи, которую модель, работающая только с путунхуа, искажает: кантонский, сычуаньский, у, миньнань и другие. Q​wen-Audio-3.0-T​TS-Plus поддерживает эти регионы нативно, а поколение 3.1 от A​libaba добавило кросс-языковой перенос тембра — один голос, переносимый между путунхуа, кантонским, английским и японским, — и это та функция, которая важна, если вы локализуете одного ведущего, а не подбираете голос для каждого рынка.

Второй — управление подачей на уровне токенов. Q​wen-Audio-3.0-T​TS-Plus унаследовал документированный набор из 86 встроенных тегов подачи от своего поколения, позволяя сценарию содержать маркеры эмоций, темпа и акцента непосредственно в транскрипте. Voxtral 3 T​TS от Mistral предоставляет управление эмоциями, темпом и акцентом на уровне промпта, а также произношение на уровне фонем и библиотеку словаря — сопоставимо по замыслу, но набор тегов A​libaba на бумаге более детализирован из двух.

Третье: Alibaba выпустила более дешёвый вариант-собрат. Обновление 3.1 превратило TTS в SKU уровня Flash, поэтому у команды, которая считает уровень 3.0-Plus слишком дорогим, есть документированный путь даунгрейда у того же вендора — примерно по той же цене, что и Voxtral 3 TTS. Ответ Mistral на «сделайте дешевле» — та же модель или другой вендор.

То, где модель A​libaba слабее, столь же очевидно: 16 языков — это небольшая карта. Если ваш каталог работает на польском, турецком, вьетнамском или португальском, Q​wen-Audio-3.0-T​TS-Plus вас не покрывает, и никакой рейтинг Elo этого не компенсирует.

Где Voxtral 3 T​TS выигрывает

Языковой охват за пределами Азии — прямо скажем. Заявлено более 35 языков и более 50 диалектов, а линейка ориентирована на европейские закупки: Mistral заявляет о поддержке всех 24 официальных языков ЕС в моделях транскрипции и на API-эндпоинтах ЕС, США и глобальных, а также о самостоятельном развертывании на частной инфраструктуре для покупателей, которым нужно контролировать, где обрабатывается аудио и сохраняется ли оно. Для европейского покупателя из госсектора или здравоохранения это не дополнительный аргумент в пользу выбора, а обязательное требование.

Второй — это окружающий стек. {{1}}Voxtral 3 T​TS{{/1}} не продаётся как отдельная конечная точка: он поставляется с основанным на LiveKit SDK для агентов, поддерживающим SIP, WebRTC и IVR, заявленной задержкой хода агента менее одной секунды и ценой за минуту для всего цикла — $0,04 с рассуждениями Mistral Small 4, $0,08 с другой моделью рассуждений. У {{2}}A​libaba{{/2}} тоже есть модель голоса в реальном времени, но у Mistral это задокументировано как пакетное предложение с опубликованной ценой за минуту, что проще положить в основу бизнес-кейса, чем тариф за токен.

Третье — цена, и то с небольшим перевесом. 13 долларов против 19,31 доллара — это скидка 33%, а в масштабе это уже реальная сумма: десять тысяч часов в месяц — это около 7 000 долларов против 10 400. Это не событие пересмотра цен, но и не пустяк.

Аргумент в пользу маршрутизации здесь сильнее, чем в большинстве сравнений.

Большинство материалов, сравнивающих модели друг с другом, заканчиваются словами «выберите одну». Эта пара — настоящая задача для продуктового портфеля, потому что две карты покрытия едва пересекаются на краях, и обе достаточно дешевы, чтобы запускать их параллельно. Европейской платформе электронной коммерции, которая описывает страницы товаров на восьми языках ЕС и одновременно обслуживает кантоноязычную клиентскую базу, нужны обе. То же самое нужно студии дубляжа, работающей над сериалом с диалогами на путунхуа и французскими субтитрами.

Неудобная часть одновременного использования обоих — не выбор модели, а инфраструктурная обвязка: два поставщика, две схемы аутентификации, два биллинговых отношения, два набора режимов отказа. OrcaRouter существует ровно для такого сценария — один ключ, совместимый с OpenAI, для 200+ моделей, цена из прайс-листа поставщика передаётся с наценкой 0%, так что изменение цены у поставщика вступает в силу в тот же день, и DSL маршрутизации, который может направить запрос с языковой меткой к модели, поддерживающей этот язык. Ни Voxtral 3 T​TS, ни Q​wen-Audio-3.0-T​TS-Plus на момент написания нет в каталоге OrcaRouter, и «один API для 200+ моделей» — это утверждение о каталоге, который мы действительно поддерживаем, а не об этих двух; сегодня доступ к обоим осуществляется через собственные API их поставщиков и несколько сторонних платформ. Принцип дизайна остаётся в силе независимо от этого: если ваша языковая матрица требует двух поставщиков, вы хотите, чтобы разделение жило в правиле маршрутизации, а не в двух путях в коде.

То, что не опубликовал ни один из поставщиков

Три пробела — и в обоих случаях это одни и те же три, что кое-что говорит о том, насколько этот сегмент рынка всё ещё молод.

Никаких оценок по отдельным языкам. Оба показателя Elo являются агрегированными. Модель может иметь общий балл 1 264, быть превосходной в китайском (мандаринском) и посредственной во французском; рейтинговая таблица не подскажет вам этого, и ни один из поставщиков не публикует разбивку по языкам. Для любого решения, зависящего от качества на конкретном языке, единственный надёжный тест — ваш собственный корпус, прочитанный носителем языка, которому не сообщают, какая модель создала какой образец.

Нет показателя долговременной выносливости. Клипы Arena длятся секунды. Ни одна из моделей не документирует максимальную длину генерации для своей конечной точки TTS, и ни у одной нет опубликованного теста связности на протяжении десяти минут — длины, при которой аудиокнига либо работает, либо нет. Поколение Qwen 3.1 перенесло генерацию длинных сцен в отдельную Qwen-Next модель, а не расширило конечную точку TTS, что является косвенным признанием того, что базовая модель не является инструментом для длинных форм.

Независимые измерения задержки отсутствуют. Mistral ничего не публикует по синтезу Voxtral 3 TTS; Alibaba публикует данные производителя. Artificial Analysis сообщает о медианной пропускной способности 112 символов в секунду для Voxtral 3 TTS, но не для Qwen-Audio-3.0-TTS-Plus на той же странице. В голосовом агенте реального времени время до первого аудио определяет впечатление от продукта сильнее, чем Elo, и это наименее документированный показатель в категории.

Честное разделение

Выберите Q​wen-Audio-3.0-T​TS-Plus, если продукт говорит на китайском — мандаринском с региональными акцентами, кантонском или со смешением китайского и английского, — либо если вам нужны детальные теги подачи внутри транскрипта и поставщик с документально подтверждённым более дешёвым тарифом ниже флагманского. Это стоит на 48% дороже, чем Voxtral, и измеримо опережает по обоим рейтингам; для работы с приоритетом китайского эти деньги потрачены не зря.

Выберите Voxtral 3 T​TS, если продукт говорит на европейских языках, если размещение данных в ЕС является требованием закупки или если вы создаёте голосового агента и хотите получить синтез в комплекте с SDK для агентов и опубликованной ценой за минуту. Вы теряете 47 пунктов Elo, но получаете языковую карту, охватывающую рынки, на которых вы продаёте.

Выберите оба — и маршрутизируйте между ними — если ваша аудитория действительно охватывает обе карты. Если оценивать по показателю Elo на доллар, они достаточно близки, поэтому при равенстве решать должен охват, а не балл, и у продукта с клиентами в Гуанчжоу и Гданьске нет единственно правильного ответа.

Стоит следить за тем, опубликует ли кто-либо из двух поставщиков разбивку по языкам. Как только один из них это сделает, это сравнение перестанет быть спором о картах и станет спором об измерениях, а это гораздо лучший спор.