AssemblyAI-TTS-1 vs Qwen-Audio-3.0-TTS: Modellen i titeln är inte den du bör köpa

Den här jämförelsen nämner Qwen-Audio-3.0-TTS, och det är ett problem värt att åtgärda innan några siffror citeras. Alibaba pensionerade 3.0 som sin flaggskepps-talmodell den 23 september 2026, när Qwen-Audio-3.1-serien lanserades på Apsara-konferensen och placerade Qwen-Audio-3.1-TTS-Plus i toppen av sin egen TTS-linje. Så den ärliga versionen av den här jämförelsen är tre modeller, inte två — AssemblyAI-TTS-1, den slutna slutpunkten på 15 dollar per miljon tecken som blev allmänt tillgänglig den 27 oktober 2026, mot båda generationerna av Qwens talstack — och svaret ändras beroende på vilken Qwen du faktiskt menade. Om ditt avtal, din integration eller din inköpsanteckning säger 3.0, läs nästa avsnitt. Om den säger 3.1, hoppa över det.

Först, korrigeringen: 3.0 är inte den nuvarande Qwen

Qwen-Audio-3.0-TTS lanserades den 20 juli 2026 i två nivåer. Flash byggdes för realtidsanvändning med cirka 300 ms latens för första paketet; Plus var kvalitetsnivån till 27,59 USD per miljon tecken via Alibaba Cloud Model Studio. Familjen omfattar 16 språk plus 20 kinesiska dialektområden, stöder 86 inline-styrtaggar som [angry] och [giggles] tillsammans med fritt formulerad stilvägledning på naturligt språk, utför brusrobust zero-shot-kloning, ger utdata i 48 kHz och syntetiserar upp till tre minuter i ett pass. Den är sluten och endast hostad — inga öppna vikter, vilket var ett avsiktligt avsteg från Alibabas tidigare Qwen3-TTS med öppna vikter.

Tio veckor senare ersatte 3.1-stacken den inom ASR, TTS, TTS-Next och realtid. 3.1 TTS-nivån har samma line-up med 8 röster, listas till 19,3 dollar per miljon tecken i Artificial Analysys pris kolumn, och är det som de flesta Qwen-jämförelser sedan slutet av september egentligen har avsett. I praktiken: 3.0 går fortfarande att anropa om du redan är integrerad, 3.1 är vad en ny köpare får som offert, och varje artikel som ställer 3.0:s julibetyg bredvid en oktoberlansering utan att säga det säljer en inaktuell jämförelse till dig.

Tavlan, läst en gång, för alla tre

Artificial Analysis's Provider Voice Arena, avläst den 30 oktober 2026, alltså ett instrument för varje rad nedan:

• Qwen-Audio-3.1-TTS-Plus — tredje, 1 305 Elo, 2 281 prover, släppt i september 2026.

• Qwen-Audio-3.0-TTS-Plus — sjunde, 1 269 Elo, 2 794 prover, utgiven juni–juli 2026.

• AssemblyAI-TTS-1 — fjortonde, 1 227 Elo, 1 632 prover, släppt i oktober 2026.

• ElevenLabs Eleven v4 Turbo och Eleven v4 ligger etta och tvåa på 1 336 respektive 1 334, för referenspunkten som den här artikeln inte handlar om.

Gapet på 78 poäng mellan AssemblyAI-TTS-1 och den nuvarande Qwen TTS-nivån är verkligt, men det är inte det största gapet i den här jämförelsen – ElevenLabs ligger 31 poäng över Qwen och 109 över AssemblyAI vid samma mätning. Det som betyder mer är att en rad med 1 632 prover för en modell som är fyra dagar gammal är tunt underlag, och intervallen på den resultattavlan är så breda att en ny körning skulle kunna flytta AssemblyAI-TTS-1 några placeringar utan att något hos modellen förändras.

Sexton tecken per sekund är siffran som avgör detta

Här är mätningen som nästan ingen tar med i en Qwen-jämförelse, och det är den som spelar roll för det jobb som AssemblyAI-TTS-1 byggdes för.

Artificial Analysis mäter AssemblyAI-TTS-1 till 162 tecken per sekund vid syntes. Qwen-Audio-3.0-TTS-Plus genererar, med samma typ av mätning, cirka 16 tecken per sekund – den långsammaste modellen bland dem nära toppen av arenan. 3.1-nivån förbättrade detta, men genereringshastigheten är fortfarande familjens svaga sida snarare än dess styrka.

Nu ska vi omvandla till den enda enhet en live-agent bryr sig om. Vanligt tal ligger på ungefär 900 tecken per minut, vilket är 15 tecken per sekund. En modell som genererar 16 tecken per sekund har, inom en avrundningsfel, realtidsfaktor 1,0 – den kan nästan hålla jämna steg med en uppspelningsström och kan inte betjäna två samtidiga samtal utan mer hårdvara bakom. En modell på 162 tecken per sekund har ungefär tio strömmars marginal per enhet av samma beräkningskapacitet.

Det sätter Elo-gapet i ett nytt perspektiv. Ett blindpreferensunderskott på 78 punkter är en kvalitetsfråga som du kan besvara med din egen korpus. Ett tiofaldigt underskott i genomströmning är en kapacitetsfråga som kommer i form av en faktura, eftersom lösningen är fler GPU-sekunder per samtidig anropare, och med Alibabas prissättning för värdbaserade tjänster är det inte en spak som du kontrollerar.

Båda förbehållen, sagt rakt ut. Det här är två leverantörer uppmätta med ett och samma instrument, inte en kontrollerad direkt jämförelse; genereringens genomströmning beror på hårdvara, batchning och sekvenslängd. Och Qwens taltokeniserare på 12,5 Hz – avsiktligt låg jämfört med de vanliga 50–75 Hz – är det som håller dess latens till första paket nära 300 ms på Flash-nivån. Qwen optimerade för latens till första ljud. AssemblyAI optimerade för tecken per sekund när turen först har börjat. Det är olika satsningar, och en telefonagent känner av båda.

Språk och kontrolltaggar är där Qwen inte är i närheten av att besegras

Om genomströmningsargumentet avgör callcenterfallet, avgör språkargumentet allt annat, och det är inte subtilt:

• Täckning – Qwen-Audio-3.0-TTS levereras med 16 språk och 20 kinesiska dialektregioner; AssemblyAI-TTS-1 lanserades med sex stycken (engelska, spanska, franska, tyska, italienska, portugisiska) och flera accenter inom dem.

• Riktning — Qwen erbjuder 86 inline-kontrolltaggar plus fria stilpromptar, medan AssemblyAI-TTS-1 vid lanseringen saknar känslotaggar, SSML, hastighetsparameter och uttalslexikon, och dess eget inlägg säger att skrivna disfluenser läses som de är skrivna i stället för att gestaltas.

• Kloning – Qwen utför brusrobust zero-shot-kloning; AssemblyAI utför omedelbar kloning från ett 24-sekunders prov med ett bekräftelsesteg för talarens tillstånd. Ingen av dem erbjuder en tränad professionell kloningsnivå, vilket är en ElevenLabs-produkt, inte en Qwen- eller AssemblyAI-produkt.

• Utdata — Qwen syntetiserar vid 48 kHz med en gräns på tre minuter för en enda genomkörning; AssemblyAI strömmar PCM på 8–48 kHz, µ-law eller A-law med ordtidsstämplar och ett barge-in-avbrytningsmeddelande, vilket är den infrastruktur som en telefoni-stack faktiskt behöver.

• Öppenhet – ingen av dem publicerar vikter. Båda är endast hostade, inom regionen och prissatta av leverantören.

Den tabellen har en uppenbar tolkning: AssemblyAI-TTS-1 är inte en flerspråkig produkt och förespråkar inte att vara det. Om din agent behöver tala japanska, koreanska eller mandarin är Qwen-familjen svaret och den här artikeln slutar där. Om din agent talar engelska med engelsktalande uppringare och ibland spanska, räcker sex språk och Qwens kapacitetslista betalar för funktioner som dina prompter aldrig kommer att använda.

Timpris på tre sätt

Med samma uppskattning som överallt annars i den här serien – cirka 900 tecken tal per minut, alltså ungefär 54 000 per timme – är kostnaden per timme för syntes:

• AssemblyAI-TTS-1 — $15 per miljon tecken, alla röster, språk och kloning ingår, obegränsad samtidighet utan avgift: cirka $0.81 per timme ljud.

• Qwen-Audio-3.0-TTS-Plus — 27,59 USD per miljon tecken på Alibaba Cloud Model Studio: cirka 1,49 USD per timme.

• Qwen-Audio-3.1-TTS-Plus — 19,3 USD per miljon tecken enligt Artificial Analysis: cirka 1,04 USD per timme.

Notera den diskrepans du själv kan se på tavlan: Artificial Analysis anger båda Qwen-generationerna till $19,3 per miljon tecken, medan Alibabas Model Studio-kort för 3.0-Plus anger $27,59. Det är två instrument – leverantörens listpris och tavlans normalisering – och ingendera är den faktura du kommer att få när volymprissättning för ett åtagande kommer in i bilden. Timsiffrorna ovan använder varje nummer såsom det är märkt, så behandla 3.1-priset som en jämförelseenhet och 3.0-priset som det närmaste man kommer ett listpris.

AssemblyAI är billigast av de tre, med 22 % jämfört med den nuvarande Qwen-nivån och med 45 % jämfört med den i den här artikelns titel. Men det är inte i priskolumnen pengarna ligger. Pengarna ligger i genomströmningskolumnen, eftersom en modell som körs med realtidsfaktor 1,0 behöver ungefär tio gånger så mycket hårdvara per samtidig uppringare som en modell som körs med 162 tecken per sekund gör – och hostad prissättning per tecken gömer den multiplikatorn i leverantörens kapacitetsplanering tills den visar sig som begränsning eller latens vid toppbelastning.

Vad en router faktiskt tillför här

Den realistiska driftsättningen för ett team som står inför det här beslutet är inte någon av modellerna för sig. Det är engelska turer på den billiga, snabba endpointen och icke-engelska turer på Qwen-nivån, växlas efter anroparens språk – vilket är ett routingproblem, inte ett modellproblem. Det är det lager som OrcaRouter täcker för resten av stacken: ett enda API för över 200 modeller till leverantörens listpris med 0% påslag, automatisk failover när en leverantör försämras, och en routing-DSL som komponerar flera modeller bakom en enda endpoint i stället för flera kontrakt och flera SDK:er.

För att vara precis om vad det innebär och inte innebär: varken AssemblyAI-TTS-1 eller någon Qwen-Audio TTS-nivå finns i OrcaRouter-katalogen i dag. De talmodeller vi dirigerar är OpenAIs tts-1, tts-1-hd och gpt-4o-mini-tts samt Googles Gemini TTS-förhandsversioner. Så dirigeringsargumentet gäller språkmodellen som skriver meningen som din TTS läser, och för alla talmodeller du lägger till senare som vi faktiskt har – inte för dessa två.

Vem den här jämförelsen faktiskt är till för

Köp Qwen-Audio-3.1-TTS-Plus – inte 3.0 – om din agent behöver tala fler än sex språk, om du behöver riktad gestaltning snarare än vanlig uppläsning, eller om du redan är inom Alibaba Cloud och avtalet är begränsningen. Den ligger trea på blindtavlan, kostar 1,04 USD i timmen, och dess genereringshastighet är det du bör testa mot ditt eget samtidighetsmål innan du binder dig.

Köp AssemblyAI-TTS-1 om arbetsbelastningen i första hand består av engelska telefonsamtal i stor volym: en enda fast avgift på 15 USD, obegränsad samtidighet utan avgift, 162 tecken per sekund i marginal, ordtidsstämplar och en inbyggd barge-in-avbrytning, samt en oberoende latensmätning på 159 ms att väga mot leverantörens uppgift om 90 ms. Acceptera att du ger upp tio språk, 86 kontrolltaggar och all förmåga att rätta en feluttalad förkortning med en ordlista – och att dess svagaste oberoende delpoäng, 73,8 % för att expandera förkortningar, är exakt det fel som en uppringare lägger märke till.

Det misstag som bör undvikas är det som rubriken till den här texten inbjöd till: att citera resultatet för en julimodell i ett oktoberbeslut och sedan vid integrationen upptäcka att den nivå du blev citerad på är den som ersatte den. Kontrollera vilken Qwen som faktiskt säljs till dig innan du jämför den med något.