AssemblyAI-TTS-1 กับ Qwen-Audio-3.0-TTS: โมเดลในชื่อเรื่องไม่ใช่รุ่นที่ควรซื้อ
- Orcaใหม่OrcaCyber: MiniMax M3.1 Flash Abliterated / Uncensored2026-10-29102 tok/s
- Orcaใหม่OrcaCyber: GLM 5.3 Flash Abliterated / Uncensored2026-10-27$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 99 tok/s
- Orcaใหม่OrcaCyber: Qwen3.8 Flash Next Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 285 tok/s
- Orcaใหม่OrcaCyber: MiMo V2.6 Flash Abliterated / Uncensored2026-10-26$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 93 tok/s
- Moonshotใหม่MoonshotAI: Kimi K3.1 Pro2026-10-2446ความฉลาด
- Orcaใหม่OrcaCyber: DeepSeek V4.1 Flash Abliterated / Uncensored2026-10-23$0.80 / $1.60 ต่อ 1 ล้านโทเค็น · 105 tok/s
- minimaxใหม่MiniMax: M3.1 Flash2026-10-1929ความฉลาด
- Orcaใหม่Orca: OrcaCyber Ultra 1.02026-10-17$5.00 / $10.00 ต่อ 1 ล้านโทเค็น · 69 tok/s
- deepseekใหม่DeepSeek: DeepSeek V4.1 Flash 10172026-10-1733ความฉลาด
- DeepSeekใหม่DeepSeek: DeepSeek V4.1 Flash2026-10-1740ความฉลาด
- OrcaOrca: OrcaCyber Zero 1.52026-10-10$3.00 / $7.50 ต่อ 1 ล้านโทเค็น · 94 tok/s
- openaiOpenAI: GPT-6.1 Sol2026-09-2955ความฉลาด
- anthropicAnthropic: Claude Sonnet 5.52026-09-2854ความฉลาด
- typesafeTypeSafe: Jev 1.132026-09-24$0.04 / $0.00 ต่อ 1 ล้านโทเค็น · 179 tok/s
- OpenAIOpenAI: GPT-6 Luna2026-09-2228ความฉลาด
- OpenAIOpenAI: GPT-6 Sol2026-09-2248ความฉลาด
- AnthropicAnthropic: Claude Opus 5.52026-09-2258ความฉลาด
- xiaomiXiaomi: MiMo-V2.6-Flash2026-09-2127ความฉลาด
- xiaomiXiaomi: MiMo-V2.6-Pro2026-09-2130ความฉลาด
- xAIGrok 4.72026-09-2134ความฉลาด
การเปรียบเทียบนี้ระบุชื่อ Qwen-Audio-3.0-TTS และนั่นคือปัญหาที่ควรค่าแก่การแก้ไขก่อนจะมีการอ้างอิงตัวเลขใด ๆ Alibaba เลิกใช้ 3.0 ในฐานะโมเดลเสียงเรือธงของตนเมื่อวันที่ 23 กันยายน 2026 เมื่อซีรีส์ Qwen-Audio-3.1 เปิดตัวในงาน Apsara Conference และวาง Qwen-Audio-3.1-TTS-Plus ไว้บนสุดของสายผลิตภัณฑ์ TTS ของตัวเอง ดังนั้นฉบับที่ซื่อสัตย์ของการเทียบกันครั้งนี้คือสามโมเดล ไม่ใช่สอง — AssemblyAI-TTS-1 เอนด์พอยต์แบบ closed ราคา 15 ดอลลาร์ต่อล้านตัวอักษรที่เปิดให้ใช้งานทั่วไปเมื่อวันที่ 27 ตุลาคม 2026 เทียบกับทั้งสองรุ่นของสแตกเสียงของ Qwen — และคำตอบจะเปลี่ยนไปตามว่าคุณหมายถึง Qwen ตัวไหนจริง ๆ หากสัญญา การผสานรวม หรือบันทึกการจัดซื้อของคุณระบุว่า 3.0 ให้อ่านส่วนถัดไป หากระบุว่า 3.1 ให้ข้ามไปเลย
ก่อนอื่น ขอแก้ไข: 3.0 ไม่ใช่ Qwen เวอร์ชันปัจจุบัน
Qwen-Audio-3.0-TTS เปิดตัวเมื่อวันที่ 20 กรกฎาคม 2026 ในสองระดับ Flash ถูกสร้างขึ้นสำหรับการใช้งานแบบเรียลไทม์ด้วยความหน่วงของแพ็กเก็ตแรกประมาณ 300 ms ส่วน Plus เป็นระดับคุณภาพที่ราคา 27.59 ดอลลาร์ต่อล้านตัวอักษรผ่าน Alibaba Cloud Model Studio ตระกูลนี้ครอบคลุม 16 ภาษา บวกกับ 20 ภูมิภาคภาษาถิ่นจีน รองรับแท็กควบคุมแบบอินไลน์ 86 แท็ก เช่น [angry] และ [giggles] ควบคู่กับการกำหนดสไตล์ด้วยภาษาธรรมชาติแบบอิสระ ทำการโคลนแบบ zero-shot ที่ทนต่อเสียงรบกวน ส่งออกที่ 48 kHz และสังเคราะห์ได้นานสูงสุดสามนาทีในครั้งเดียว เป็นแบบปิดและให้บริการแบบโฮสต์เท่านั้น — ไม่มีน้ำหนักโมเดลแบบเปิด ซึ่งเป็นการเบี่ยงเบนโดยเจตนาจาก Qwen3-TTS แบบเปิดน้ำหนักรุ่นก่อนของ Alibaba
สิบสัปดาห์ต่อมา สแต็ก 3.1 เข้ามาแทนที่ใน ASR, TTS, TTS-Next และเรียลไทม์ ระดับ TTS 3.1 ยังมีชุดเสียง 8 เสียงเหมือนเดิม ระบุราคาไว้ที่ $19.3 ต่อล้านตัวอักษรในคอลัมน์ราคาของ Artificial Analysis และเป็นรายการที่การเปรียบเทียบ Qwen ส่วนใหญ่ตั้งแต่ปลายเดือนกันยายนหมายถึงจริง ๆ ในทางปฏิบัติ: 3.0 ยังเรียกใช้ได้หากคุณผสานรวมอยู่แล้ว 3.1 คือสิ่งที่ผู้ซื้อรายใหม่จะได้รับใบเสนอราคา และบทความใดก็ตามที่นำคะแนนเดือนกรกฎาคมของ 3.0 ไปวางข้างการเปิดตัวเดือนตุลาคมโดยไม่บอกกล่าว กำลังขายการเปรียบเทียบที่ล้าสมัยให้คุณ
คณะกรรมการ อ่านเพียงครั้งเดียว สำหรับทั้งสาม
Provider Voice Arena ของ Artificial Analysis อ่านเมื่อวันที่ 30 ตุลาคม 2026 ดังนั้นจึงใช้เครื่องมือวัดเดียวสำหรับทุกแถวด้านล่าง
• Qwen-Audio-3.1-TTS-Plus — อันดับที่สาม, 1,305 Elo, 2,281 ตัวอย่าง, เปิดตัวในเดือนกันยายน 2026
• Qwen-Audio-3.0-TTS-Plus — อันดับที่เจ็ด, 1,269 Elo, 2,794 ตัวอย่าง, เปิดตัวมิถุนายน–กรกฎาคม 2026
• AssemblyAI-TTS-1 — อันดับที่สิบสี่, 1,227 Elo, 1,632 ตัวอย่าง, เผยแพร่ในเดือนตุลาคม 2026
• ElevenLabs Eleven v4 Turbo และ Eleven v4 อยู่ในอันดับหนึ่งและอันดับสองด้วยคะแนน 1,336 และ 1,334 สำหรับจุดอ้างอิงที่บทความนี้ไม่ได้กล่าวถึง
ช่องว่าง 78 คะแนนระหว่าง AssemblyAI-TTS-1 และระดับ Qwen TTS ในปัจจุบันนั้นมีอยู่จริง แต่ไม่ใช่ช่องว่างที่กว้างที่สุดในการจับคู่นี้ — ElevenLabs อยู่สูงกว่า Qwen 31 คะแนน และสูงกว่า AssemblyAI 109 คะแนนจากการอ่านชุดเดียวกัน สิ่งที่สำคัญกว่านั้นคือแถวข้อมูลตัวอย่าง 1,632 รายการสำหรับโมเดลที่เพิ่งมีอายุได้สี่วันนั้นเป็นหลักฐานที่บางเฉียบ และช่วงความเชื่อมั่นบนกระดานนั้นกว้างพอที่การรันซ้ำจะทำให้ AssemblyAI-TTS-1 ขยับได้หลายอันดับโดยที่ไม่มีอะไรเกี่ยวกับโมเดลเปลี่ยนไปเลย
สิบหกตัวอักษรต่อวินาทีคือตัวเลขที่ตัดสินสิ่งนี้
นี่คือตัวชี้วัดที่แทบไม่มีใครใส่ไว้ในการเปรียบเทียบกับ Qwen และเป็นตัวชี้วัดที่สำคัญต่องานที่ AssemblyAI-TTS-1 ถูกสร้างขึ้นมาเพื่อทำ
Artificial Analysis วัดค่า AssemblyAI-TTS-1 ได้ที่ 162 ตัวอักษรต่อวินาทีของการสังเคราะห์ ส่วน Qwen-Audio-3.0-TTS-Plus เมื่อวัดด้วยรูปแบบเดียวกันจะสร้างได้ประมาณ 16 ตัวอักษรต่อวินาที — เป็นโมเดลที่ช้าที่สุดในบรรดาโมเดลที่อยู่ใกล้จุดสูงสุดของอารีนา ระดับ 3.1 ทำได้ดีขึ้นกว่าเดิม แต่ความเร็วในการสร้างยังคงเป็นแกนที่อ่อนแอของตระกูลนี้มากกว่าจะเป็นจุดแข็ง
ตอนนี้มาแปลงเป็นหน่วยเดียวที่เจ้าหน้าที่สดสนใจจริง ๆ กัน คำพูดทั่วไปมีความเร็วราว 900 ตัวอักษรต่อนาที ซึ่งเท่ากับ 15 ตัวอักษรต่อวินาที โมเดลที่สร้างข้อความได้ 16 ตัวอักษรต่อวินาที ถือว่าอยู่ที่ real-time factor 1.0 ภายในความคลาดเคลื่อนจากการปัดเศษ — มันแทบจะรักษาความเร็วให้เหนือกว่าการเล่นเสียงหนึ่งสตรีมได้พอดี และไม่สามารถรองรับการสนทนาพร้อมกันสองสายได้หากไม่มีฮาร์ดแวร์เพิ่มเติม โมเดลที่ทำได้ 162 ตัวอักษรต่อวินาทีจะมีกำลังเหลือเผื่อราวสิบสตรีมต่อหน่วยกำลังประมวลผลเดียวกัน
นั่นทำให้ช่องว่าง Elo ถูกมองใหม่ การขาดคะแนนในการประเมินแบบ blind preference อยู่ที่ 78 จุด เป็นคำถามด้านคุณภาพที่คุณตอบได้ด้วยคลังข้อมูลของคุณเอง ส่วนการขาด throughput ถึงสิบเท่าเป็นคำถามด้านกำลังความจุที่ตามมาด้วยใบเรียกเก็บเงิน เพราะทางแก้คือการใช้ GPU-second ต่อผู้เรียกที่ใช้งานพร้อมกันให้มากขึ้น และภายใต้ราคาแบบโฮสต์ของ Alibaba นั่นไม่ใช่คันโยกที่คุณควบคุมได้
ข้อแม้ทั้งสองข้อนี้ พูดกันตรง ๆ นี่คือผู้ให้บริการสองรายที่วัดด้วยเครื่องมือเดียวกัน ไม่ใช่การเปรียบเทียบแบบควบคุมตัวต่อตัว อัตราการสร้างโทเคนต่อเนื่องขึ้นอยู่กับฮาร์ดแวร์ การทำแบคช์ และความยาวลำดับ และตัวแปลงเสียงเป็นโทเคน 12.5 Hz ของ Qwen ซึ่งตั้งใจให้ต่ำเมื่อเทียบกับ 50–75 Hz ที่พบทั่วไป คือสิ่งที่ทำให้เวลาแฝงของแพ็กเก็ตแรกอยู่ใกล้ 300 ms บนระดับ Flash Qwen ปรับแต่งเพื่อเวลาแฝงจนถึงเสียงแรก AssemblyAI ปรับแต่งเพื่อจำนวนอักขระต่อวินาทีเมื่อเทิร์นเริ่มแล้ว สิ่งเหล่านี้เป็นการเดิมพันที่แตกต่างกัน และเอเจนต์โทรศัพท์สัมผัสผลของทั้งสองได้
ภาษาและแท็กควบคุมคือจุดที่ยังไม่มีใครใกล้จะเอาชนะ Qwen ได้
หากข้อโต้แย้งเรื่องปริมาณงานเป็นตัวชี้ขาดในกรณีศูนย์รับสาย ข้อโต้แย้งเรื่องภาษาก็เป็นตัวชี้ขาดในทุกเรื่องที่เหลือ และนี่ไม่ใช่เรื่องละเอียดอ่อน:
• ความครอบคลุม — Qwen-Audio-3.0-TTS รองรับ 16 ภาษาและ 20 ภูมิภาคภาษาถิ่นของจีน; AssemblyAI-TTS-1 เปิดตัวพร้อมหกภาษา (อังกฤษ สเปน ฝรั่งเศส เยอรมัน อิตาลี โปรตุเกส) และมีสำเนียงหลากหลายภายในแต่ละภาษา
• ทิศทาง — Qwen เปิดให้ใช้แท็กควบคุมแบบอินไลน์ 86 แท็ก พร้อมพรอมต์สไตล์แบบอิสระ; ส่วน AssemblyAI-TTS-1 ไม่มีแท็กอารมณ์ ไม่มี SSML ไม่มีพารามิเตอร์ความเร็ว และไม่มีพจนานุกรมการออกเสียงเมื่อเปิดตัว และโพสต์ของผลิตภัณฑ์เองระบุว่าคำพูดไม่คล่องที่เขียนไว้จะถูกอ่านตามที่เขียนไว้ แทนที่จะถูกนำไปแสดงออก
• การโคลนเสียง — Qwen ทำการโคลนแบบ zero-shot ที่ทนต่อเสียงรบกวน; AssemblyAI ทำการโคลนแบบทันทีจากตัวอย่างเสียง 24 วินาที พร้อมขั้นตอนยืนยันการอนุญาตจากเจ้าของเสียง ทั้งสองไม่มีการโคลนระดับมืออาชีพที่ผ่านการเทรน ซึ่งเป็นผลิตภัณฑ์ของ ElevenLabs ไม่ใช่ของ Qwen หรือ AssemblyAI
• เอาต์พุต — Qwen สังเคราะห์เสียงที่ 48 kHz โดยมีขีดจำกัดสูงสุดแบบครั้งเดียวสามนาที; AssemblyAI สตรีม PCM, µ-law หรือ A-law ที่ 8–48 kHz พร้อมการประทับเวลาแบบรายคำและข้อความยกเลิกการแทรกกลาง (barge-in) ซึ่งเป็นโครงสร้างพื้นฐานที่ระบบโทรศัพท์ต้องการจริง ๆ
• ความเปิดเผย — ทั้งสองรายไม่เผยแพร่ค่าน้ำหนักของโมเดล ทั้งคู่ให้บริการแบบโฮสต์เท่านั้น ภายในภูมิภาค และกำหนดราคาโดยผู้ให้บริการ
ตารางนั้นตีความได้ชัดเจนว่า AssemblyAI-TTS-1 ไม่ใช่ผลิตภัณฑ์หลายภาษาและไม่ได้แสร้งทำเป็นเช่นนั้น หากเอเจนต์ของคุณจำเป็นต้องพูดภาษาญี่ปุ่น เกาหลี หรือจีนกลาง ตระกูล Qwen คือคำตอบ และบทความนี้จบเพียงเท่านี้ หากเอเจนต์ของคุณพูดภาษาอังกฤษกับผู้โทรที่พูดภาษาอังกฤษและบางครั้งเป็นภาษาสเปน หกภาษาก็เพียงพอ และรายการความสามารถของ Qwen ก็คือการจ่ายเงินสำหรับฟีเจอร์ที่พรอมป์ของคุณจะไม่มีวันได้ใช้
ราคาต่อชั่วโมง สามแบบ
โดยใช้ประมาณการเดียวกับที่ใช้ในทุกส่วนของซีรีส์นี้ — คำพูดประมาณ 900 ตัวอักษรต่อนาที ดังนั้นราว 54,000 ตัวอักษรต่อชั่วโมง — ต้นทุนการสังเคราะห์ต่อชั่วโมงคือ:
• AssemblyAI-TTS-1 — 15 ดอลลาร์ต่อล้านตัวอักษร รวมทุกเสียง ทุกภาษา และการโคลนเสียงไว้ในราคานี้ รองรับการทำงานพร้อมกันได้ไม่จำกัดโดยไม่มีค่าธรรมเนียม: ประมาณ 0.81 ดอลลาร์ต่อเสียงหนึ่งชั่วโมง
• Qwen-Audio-3.0-TTS-Plus — 27.59 ดอลลาร์สหรัฐต่อหนึ่งล้านอักขระบน Alibaba Cloud Model Studio: ประมาณ 1.49 ดอลลาร์สหรัฐต่อชั่วโมง
• Qwen-Audio-3.1-TTS-Plus — $19.3 ต่อล้านตัวอักษร ตามที่บันทึกไว้โดย Artificial Analysis: ประมาณ $1.04 ต่อชั่วโมง
คุณจะสังเกตเห็นความคลาดเคลื่อนบนกระดานได้เอง: Artificial Analysis ระบุราคาของ Qwen ทั้งสองรุ่นไว้ที่ 19.3 ดอลลาร์ต่อล้านตัวอักษร ขณะที่การ์ดของ Model Studio ของ Alibaba สำหรับ 3.0-Plus ระบุไว้ที่ 27.59 ดอลลาร์ สองสิ่งนี้เป็นเครื่องมือวัดคนละแบบ — ราคาตามรายการของผู้ขาย กับการปรับมาตรฐานของกระดาน — และไม่มีสิ่งใดเป็นใบแจ้งหนี้ที่คุณจะได้รับจริงเมื่อการคิดราคาตามปริมาณที่ตกลงกันเข้ามาเกี่ยวข้อง ตัวเลขรายชั่วโมงข้างต้นใช้อัตราแต่ละตัวตามที่ระบุไว้ ดังนั้นให้ถืออัตราของ 3.1 เป็นหน่วยเปรียบเทียบ และอัตราของ 3.0 เป็นสิ่งที่ใกล้เคียงราคาตามรายการมากที่สุด
AssemblyAI เป็นตัวเลือกที่ถูกที่สุดในบรรดาสามตัว โดยถูกกว่าอยู่ 22% เมื่อเทียบกับแพ็กเกจ Qwen ปัจจุบัน และถูกกว่าอยู่ 45% เมื่อเทียบกับตัวที่อยู่ในชื่อบทความนี้ แต่เงินไม่ได้อยู่ที่คอลัมน์ราคา เงินอยู่ที่คอลัมน์ทรูพุต เพราะโมเดลที่ทำงานที่ real-time factor 1.0 ต้องใช้ฮาร์ดแวร์ต่อผู้เรียกที่ใช้งานพร้อมกันหนึ่งรายมากกว่าโมเดลที่ทำงานที่ 162 ตัวอักษรต่อวินาทีประมาณสิบเท่า และการคิดราคาต่อตัวอักษรแบบโฮสต์จะซ่อนตัวคูณนั้นไว้ในแผนการวางแผนความจุของผู้ให้บริการ จนกระทั่งมันปรากฏออกมาเป็นการจำกัดอัตราการให้บริการหรือความหน่วงในช่วงพีค
เราเตอร์เพิ่มอะไรให้จริง ๆ ตรงนี้
การนำไปใช้งานจริงสำหรับทีมที่กำลังเผชิญกับการตัดสินใจนี้ไม่ใช่โมเดลใดโมเดลหนึ่งเพียงลำพัง แต่เป็นการใช้รอบสนทนาภาษาอังกฤษบน endpoint ที่ราคาถูกและรวดเร็ว และรอบสนทนาที่ไม่ใช่ภาษาอังกฤษบนระดับ Qwen โดยสลับตามภาษาของผู้เรียก ซึ่งเป็นปัญหาการกำหนดเส้นทาง ไม่ใช่ปัญหาของโมเดล นั่นคือชั้นที่ OrcaRouter ครอบคลุมให้กับส่วนที่เหลือของสแต็ก: API เดียวสำหรับโมเดลกว่า 200 รุ่นในราคาตามรายการของผู้ให้บริการ โดยมีมาร์กอัป 0%, การสลับสำรองอัตโนมัติเมื่อผู้ให้บริการมีประสิทธิภาพลดลง และ DSL สำหรับการกำหนดเส้นทางที่ประกอบโมเดลหลายตัวไว้เบื้องหลัง endpoint เดียว แทนที่จะเป็นสัญญาหลายฉบับและ SDK หลายตัว
เพื่อให้ชัดเจนว่าสิ่งนั้นหมายถึงอะไรและไม่หมายถึงอะไร: ทั้ง AssemblyAI-TTS-1 และ TTS tier ใด ๆ ของ Qwen-Audio ต่างก็ไม่ได้อยู่ในแคตตาล็อกของ OrcaRouter ในปัจจุบัน โมเดลเสียงพูดที่เราให้บริการจัดเส้นทางได้แก่ tts-1, tts-1-hd และ gpt-4o-mini-tts ของ OpenAI และ TTS previews ของ Google Gemini ดังนั้นข้อโต้แย้งเรื่องการจัดเส้นทางจึงใช้กับโมเดลภาษาที่เขียนประโยคซึ่ง TTS ของคุณอ่าน และใช้กับโมเดลเสียงพูดใด ๆ ที่คุณเพิ่มในภายหลังซึ่งเรารองรับจริง — ไม่ใช่กับสองตัวนี้
การเปรียบเทียบนี้มีไว้เพื่อใครกันแน่
ซื้อ Qwen-Audio-3.1-TTS-Plus — ไม่ใช่ 3.0 — หากเอเจนต์ของคุณต้องพูดได้มากกว่าหกภาษา หากคุณต้องการการแสดงที่กำกับได้มากกว่าการอ่านแบบธรรมดา หรือหากคุณอยู่ใน Alibaba Cloud อยู่แล้วและสัญญาคือข้อจำกัด มันอยู่อันดับสามบน blind board คิดค่าใช้จ่าย $1.04 ต่อชั่วโมง และความเร็วในการสร้างคือสิ่งที่ต้องทดสอบเทียบกับเป้าหมาย concurrence ของคุณเองก่อนตัดสินใจ
ซื้อ AssemblyAI-TTS-1 หากงานของคุณคือบทสนทนาโทรศัพท์ที่เน้นภาษาอังกฤษในปริมาณมาก: อัตราเดียว $15 การทำงานพร้อมกันได้ไม่จำกัดโดยไม่มีค่าธรรมเนียม ความจุเหลือ 162 ตัวอักษรต่อวินาที การประทับเวลาแบบคำและการยกเลิกเมื่อผู้ใช้พูดแทรกที่มีมาให้ในตัว และการวัดเวลาแฝงอิสระที่ 159 ms เพื่อชั่งน้ำหนักกับคำกล่าวอ้างของผู้ขายที่ 90 ms ยอมรับว่าคุณกำลังเสียภาษา 10 ภาษา แท็กควบคุม 86 แท็ก และความสามารถใดๆ ในการแก้ตัวย่อที่ออกเสียงผิดด้วยพจนานุกรม — และคะแนนย่อยอิสระที่อ่อนที่สุดของมัน 73.8% ในการขยายคำย่อ คือความล้มเหลวที่ผู้โทรสังเกตเห็นพอดี
ข้อผิดพลาดที่ต้องหลีกเลี่ยงคือข้อผิดพลาดที่ชื่อเรื่องของบทความนี้ชักชวนให้ทำ: การอ้างอิงคะแนนของโมเดลจากเดือนกรกฎาคมในการตัดสินใจในเดือนตุลาคม แล้วมาพบตอนบูรณาการว่าระดับรุ่นที่คุณถูกอ้างอิงถึงคือรุ่นที่เข้ามาแทนที่มันแล้ว ตรวจสอบว่าคุณกำลังถูกขาย Qwen ตัวไหนจริง ๆ ก่อนจะเปรียบเทียบกับสิ่งใด
