Voxtral 3 TTS vs Qwen-Audio-3.0-TTS-Plus: Två billiga röster, två olika kartor

Båda dessa modeller är billigare än frontlinjen och båda ligger utanför den, vilket gör valet mellan Voxtral 3 T​TS och Q​wen-Audio-3.0-T​TS-Plus till en fråga om täckning snarare än om kvalitet. På Provider Voice-tavlan från Artificial Analysis skiljer de 47 Elo — Q​wen på 1 264 (#7), Mistrals nya modell på 1 217 (#13) — och deras priser är 19,31 och 13,00 dollar per miljon tecken. Ingen av skillnaderna är avgörande. Det som är avgörande är att A​libabas modell byggdes kring kinesiska, inklusive tjugo dialektregioner och 86 inline-leveranstaggar, medan Mistrals byggdes kring Europeiska unionens 24 officiella språk. Om din produkt talar mandarin, kantonesiska eller hokkien slutar argumentet vid språklistan. Om den talar portugisiska, polska eller nederländska slutar det också där, i den andra riktningen. De dokumenterade AI-felen och agentincidenterna bakom lanseringar som denna samlas i OrcaRouter AI Incident Archive där varje post har sina egna källor, allvarlighetsgrad, konfidensbetyg och flagga för omstridd status.

Siffrorna, och hur mycket vikt de bär

• Leverantörens Voice Elo — Q​wen-Audio-3.0-T​TS-Plus: 1 264. Voxtral 3 T​TS: 1 217. Båda enligt Artificial Analysis, 21 oktober 2026.

• Kontrollerat röst-Elo — Q​wen-Audio-3.0-T​TS-Plus: 1 125 (#7). Voxtral 3 T​TS: 1 066 (#14). Avståndet ökar från 47 till 59 poäng när båda har klonats till samma åtta referensröster, vilket innebär att A​libabas försprång ligger i syntesmotorn, inte i dess röstbibliotek.

• Pris per 1 miljon tecken — 19,31 USD för Q​wen-Audio-3.0-T​TS-Plus, 13,00 USD för Voxtral 3 T​TS. Vid ungefär 900 tecken per talad minut motsvarar det 1,04 USD jämfört med 0,70 USD i timmen.

• Språk — A​libaba: 16 språk plus 20 kinesiska dialektregioner. Mistral: 35+ språk och 50+ dialekter, med förinställningar på 18 språk.

• Röstkloning – A​libaba: kloning av referensljud, inklusive tvärspråklig överföring av klangfärg. Mistral: "Pro Voice"-anpassning från 30 minuters ljud. Ingen av dem erbjuder den omedelbara kloning på tio sekunder som Cartesia säljer.

• Vikter – stängda på båda sidor. Båda är produkter som endast är tillgängliga via API.

• Latens — A​libaba publicerar separat ett mått för streaming till första tecknet för sina igenkänningsmodeller och för en realtidsröstmodell; Mistral publicerar ingen tid till första ljud för Voxtral 3 T​TS. Ingen av siffrorna är jämförbar mellan leverantörer, och för syntes är ingen av dem en oberoende mätning.

Ett förbehåll om Elo-siffrorna: Voxtral 3 T​TS hade funnits på tavlan i en dag när dessa lästes, med 1 619 jämförelser mot Q​wens 2 399. En skillnad på 47 poäng inom överlappande konfidensintervall vid den urvalsstorleken är en riktning, inte ett avgörande. Läs det som "Q​wen ligger troligen något före" snarare än som ett uppmätt 47.

Där Alibabas modell vinner – och det är ingen marginell seger

Den kinesiska täckningen är den första och största skillnaden, och det är värt att vara precis om vad ”20 dialektregioner” betyder. A​libabas talproduktlinje är byggd för en inhemsk marknad där ett enda skriftspråk motsvarar tal som en modell som bara klarar mandarin förvanskar: kantonesiska, sichuanesiska, wu, minnan med flera. Q​wen-Audio-3.0-T​TS-Plus har inbyggt stöd för dessa regioner, och A​libabas 3.1-generation lade till tvärspråklig klangfärgsöverföring – en röst som bärs över mandarin, kantonesiska, engelska och japanska – vilket är funktionen som spelar roll om du lokaliserar en enda presentatör i stället för att välja röst per marknad.

Den andra är framförandekontroll på tokennivå. Q​wen-Audio-3.0-T​TS-Plus ärvde en dokumenterad uppsättning på 86 inline-taggar för framförande från sin generation, vilket låter ett manus bära markörer för känsla, tempo och betoning direkt i transkriptionen. Mistrals Voxtral 3 T​TS erbjuder styrning på promptnivå av känsla, tempo och betoning samt uttal på fonemnivå och ett vokabulärbibliotek – jämförbart i avsikt, men A​libaba:s taggvokabulär är den mer detaljerade av de två på papperet.

Det tredje är att Alibaba släppte ett billigare syskon. 3.1-uppdateringen gjorde TTS till en SKU på Flash-nivå, så ett team som tycker att 3.0-Plus-nivån är för dyr har en dokumenterad nedgraderingsväg hos samma leverantör, till ungefär samma prisnivå som Voxtral 3 TTS. Mistrals svar på ”billigare, tack” är samma modell eller en annan leverantör.

Där Alibabas modell är svagare är det lika tydligt: 16 språk är en liten karta. Om din katalog körs på polska, turkiska, vietnamesiska eller portugisiska täcker Qwen-Audio-3.0-TTS-Plus inte dig, och ingen mängd Elo stänger det gapet.

Där Voxtral 3 T​TS vinner

Språkbredd utanför Asien, rakt på sak. Över 35 språk med över 50 dialekter uppges, och en familj som riktar sig mot europeisk upphandling: Mistral anger alla 24 officiella EU-språk i transkriptionsmodellerna och EU-, USA- och globala API-slutpunkter, med egen drift på privat infrastruktur för köpare som behöver kontrollera var ljud bearbetas och om det sparas. För en europeisk köpare inom offentlig sektor eller hälso- och sjukvård är det inte en utslagsgivande faktor, utan ett krav.

Det andra är den omgivande stacken. Voxtral 3 TTS säljs inte som en fristående endpoint: det levereras med ett LiveKit-baserat agent-SDK som stöder SIP, WebRTC och IVR, ett påstående om agentturslatens under en sekund, och ett pris per minut för hela loopen – 0,04 USD med Mistral Small 4 reasoning, 0,08 USD med en annan reasoning-modell. Alibaba har också en realtidsröstmodell, men Mistrals är dokumenterad som ett paketerbjudande med en publicerad minutkostnad, vilket är enklare att bygga ett affärscase på än en prislista per token.

Det tredje är priset, med knapp marginal. $13 mot $19,31 är en rabatt på 33 %, och i stor skala är det en reell summa: tio tusen timmar i månaden är cirka $7 000 mot $10 400. Det är ingen omprissättning, men det är inte ingenting heller.

Argumentet för routing är starkare här än i de flesta matchningar.

De flesta jämförelser mellan modeller slutar med "välj en". Det här paret är ett genuint portföljproblem, eftersom de två täckningskartorna knappt överlappar i kanterna och båda är tillräckligt billiga för att köras sida vid sida. En europeisk e-handelsplattform som skapar röstberättelser för produktsidor på åtta EU-språk och samtidigt betjänar en kantonesisktalande kundbas behöver båda. Det gör även en dubbningsstudio som arbetar med en serie med mandarindialog och franska undertexter.

Det besvärliga med att köra båda är inte modellvalet, utan infrastrukturen: två leverantörer, två autentiseringssystem, två faktureringsrelationer, två uppsättningar felmoder. OrcaRouter finns just för den situationen — en OpenAI-kompatibel nyckel för 200+ modeller, leverantörens listpris förs vidare med 0 % påslag så att en prisändring från en leverantör slår igenom samma dag, och ett routing-DSL som kan skicka en språktaggad förfrågan till modellen som täcker det språket. Varken Voxtral 3 T​TS eller Q​wen-Audio-3.0-T​TS-Plus finns i OrcaRouters katalog när detta skrivs, och ett API för 200+ modeller är ett påstående om katalogen vi faktiskt kör, inte om dessa två – i dag nås båda via leverantörernas egna API:er och flera tredjepartsplattformar. Poängen med designen står sig oavsett: om din språkmatris kräver två leverantörer vill du att uppdelningen ska ligga i en routingregel i stället för i två kodvägar.

Vad ingen av leverantörerna har publicerat

Tre luckor, och det är samma tre i båda fallen, vilket säger något om hur ung den här nivån av marknaden fortfarande är.

Inga poäng per språk. Båda Elo-siffrorna är aggregerade. En modell kan ligga på 1 264 totalt och vara utmärkt i mandarin och medioker i franska; tavlan kan inte berätta det, och ingen av leverantörerna publicerar en uppdelning per språk. För alla beslut som hänger på kvalitet i ett specifikt språk är det enda tillförlitliga testet din egen korpus, läst av en modersmålstalare som inte får veta vilken modell som producerade vilket prov.

Ingen siffra för uthållighet i långformat. Arena-klipp varar i sekunder. Ingen av modellerna dokumenterar en maximal genereringslängd för sin TTS-endpoint, och ingen av dem har ett publicerat test av koherens över tio minuter – den längd vid vilken en ljudbok antingen fungerar eller inte. Qwens 3.1-generation flyttade generering av scener i långformat till en separat -Next-modell i stället för att utöka TTS-endpointen, vilket är ett implicit medgivande att basmodellen inte är verktyget för långformat.

Ingen oberoende latensmätning. Mistral publicerar ingenting för Voxtral 3 T​TS-syntes; A​libaba publicerar leverantörssiffror. Artificial Analysis rapporterar en mediangenomströmning på 112 tecken per sekund för Voxtral 3 T​TS, men inte för Q​wen-Audio-3.0-T​TS-Plus på samma sida. I en live röstagent avgör tiden till första ljudet produktupplevelsen mer än Elo gör, och den är den minst dokumenterade siffran i kategorin.

Den ärliga uppdelningen

Välj Qwen-Audio-3.0-TTS-Plus om produkten talar kinesiska – mandarin med regionala accenter, kantonesiska eller kodväxling mellan kinesiska och engelska – eller om du behöver detaljerade leveranstaggningar i transkriptet och vill ha en leverantör med en dokumenterad billigare nivå under flaggskeppet. Den kostar 48 % mer än Voxtral och ligger mätbart före på båda resultattavlorna; för arbete med kinesiska i första hand är det väl investerade pengar.

Välj Voxtral 3 T​TS om produkten talar europeiska språk, om datahemvist i EU är ett upphandlingskrav, eller om du bygger en röstagent och vill ha syntes paketerad med ett agent-SDK och ett publicerat pris per minut. Du avstår från 47 Elo och får en språkkarta som täcker de marknader du säljer i.

Välj båda – och routa mellan dem – om din publik verkligen spänner över båda kartorna. I ett Elo-per-dollar-perspektiv ligger de två tillräckligt nära varandra för att avgörandet bör falla på täckning, inte på poäng, och en produkt med kunder i Guangzhou och Gdańsk har inte ett enda rätt svar.

Det som är värt att hålla ögonen på är om någon av leverantörerna publicerar en uppdelning per språk. I samma stund som någon gör det upphör den här jämförelsen att vara en diskussion om kartor och blir en diskussion om mätningar, vilket är en bättre diskussion att föra.