Voxtral 3 TTS กับ Qwen-Audio-3.0-TTS-Plus: สองเสียงราคาถูก สองแผนที่ที่แตกต่างกัน

ทั้งสองโมเดลนี้มีราคาถูกกว่าตัวท็อปและทั้งคู่อยู่นอกกลุ่มนั้น ซึ่งทำให้การเลือกระหว่าง Voxtral 3 TTS กับ Qwen-Audio-3.0-TTS-Plus เป็นคำถามเรื่องความครอบคลุมมากกว่าคุณภาพ บนกระดาน Provider Voice ของ Artificial Analysis ทั้งสองห่างกัน 47 Elo — Qwen อยู่ที่ 1,264 (#7) ส่วนโมเดลใหม่ของ Mistral อยู่ที่ 1,217 (#13) — และราคาของทั้งคู่อยู่ที่ 19.31 ดอลลาร์และ 13.00 ดอลลาร์ต่อล้านอักขระ ช่องว่างทั้งสองข้อนี้ไม่ได้ชี้ขาด สิ่งที่ชี้ขาดคือโมเดลของ Alibaba ถูกสร้างขึ้นโดยมีภาษาจีนเป็นแกนหลัก รวมถึงภูมิภาคภาษาถิ่นยี่สิบแห่งและแท็กการส่งมอบแบบอินไลน์แปดสิบหกแท็ก ในขณะที่โมเดลของ Mistral ถูกสร้างขึ้นโดยมีภาษาราชการยี่สิบสี่ภาษาของสหภาพยุโรปเป็นแกนหลัก หากผลิตภัณฑ์ของคุณพูดภาษาจีนกลาง กวางตุ้ง หรือฮกเกี้ยน ข้อโต้แย้งก็จบที่รายการภาษา หากผลิตภัณฑ์ของคุณพูดโปรตุเกส โปแลนด์ หรือดัตช์ ก็จบที่ตรงนั้นเช่นกัน แต่ไปในทิศทางตรงกันข้าม ความล้มเหลวของ AI และเหตุการณ์เกี่ยวกับเอเจนต์ที่มีการบันทึกไว้ซึ่งอยู่เบื้องหลังการเปิดตัวแบบนี้ถูกรวบรวมไว้ใน the OrcaRouter AI Incident Archive โดยแต่ละรายการมีแหล่งอ้างอิง ระดับความรุนแรง เกรดความมั่นใจ และธงการโต้แย้งของตัวเอง

ตัวเลข และน้ำหนักความสำคัญที่ตัวเลขเหล่านั้นมีอยู่

• Elo ของเสียงผู้ให้บริการ — Q​wen-Audio-3.0-T​TS-Plus: 1,264. Voxtral 3 T​TS: 1,217. ทั้งสองรายการอ้างอิงจาก Artificial Analysis ณ วันที่ 21 ตุลาคม 2026

• Controlled Voice Elo — Q​wen-Audio-3.0-T​TS-Plus: 1,125 (#7). Voxtral 3 T​TS: 1,066 (#14). ช่องว่างกว้างขึ้นจาก 47 เป็น 59 คะแนน เมื่อทั้งสองถูกโคลนด้วยเสียงอ้างอิงแปดเสียงชุดเดียวกัน ซึ่งหมายความว่าความได้เปรียบของ A​libaba อยู่ที่เอนจินสังเคราะห์เสียง ไม่ใช่คลังเสียง

ราคาต่อ 1 ล้านตัวอักษร — $19.31 สำหรับ Q​wen-Audio-3.0-T​TS-Plus, $13.00 สำหรับ Voxtral 3 T​TS ที่ประมาณ 900 ตัวอักษรต่อนาทีของการพูด นั่นคือ $1.04 เทียบกับ $0.70 ต่อชั่วโมง

• ภาษา — A​libaba: 16 ภาษา และภูมิภาคภาษาจีนถิ่น 20 แห่ง Mistral: 35+ ภาษาและ 50+ ภาษาถิ่น พร้อมพรีเซ็ตใน 18 ภาษา

• การโคลนเสียง — A​libaba: การโคลนจากเสียงอ้างอิง รวมถึงการถ่ายโอนโทนเสียงข้ามภาษา Mistral: การปรับแต่ง "Pro Voice" จากเสียง 30 นาที ทั้งสองไม่มีการโคลนทันทีภายในสิบวินาทีแบบที่ Cartesia จำหน่าย

• Weights — ปิดทั้งสองด้าน ทั้งสองเป็นผลิตภัณฑ์แบบ API เท่านั้น

• ความหน่วง — {{1}}A​libaba{{/1}} เผยแพร่ค่าตัวเลขการสตรีมถึงอักขระตัวแรกสำหรับโมเดลการรู้จำของตน และสำหรับโมเดลเสียงแบบเรียลไทม์แยกกัน; Mistral ไม่เผยแพร่เวลาถึงเสียงแรกสำหรับ Voxtral 3 T​TS เลย ตัวเลขทั้งสองไม่สามารถนำมาเปรียบเทียบข้ามผู้จำหน่ายได้ และสำหรับการสังเคราะห์เสียง ตัวเลขทั้งสองไม่ใช่การวัดที่เป็นอิสระ

ข้อควรระวังประการหนึ่งเกี่ยวกับตัวเลข Elo: Voxtral 3 TTS อยู่ในกระดานได้เพียงหนึ่งวันเมื่อมีการอ่านค่าเหล่านี้ โดยมี 1,619 การเปรียบเทียบ เทียบกับ 2,399 ของ Qwen ช่องว่าง 47 จุดภายในช่วงความเชื่อมั่นที่ทับซ้อนกันที่ขนาดตัวอย่างนั้นเป็นเพียงทิศทาง ไม่ใช่คำตัดสิน ควรอ่านว่า "Qwen น่าจะนำอยู่พอสมควร" มากกว่าจะเป็นค่าที่วัดได้ 47

ในจุดที่โมเดลของ A​libaba ชนะ และนี่ไม่ใช่ชัยชนะแบบฉิวเฉียด

ความครอบคลุมภาษาจีนเป็นความแตกต่างแรกและใหญ่ที่สุด และควรพูดให้ชัดว่า "20 ภูมิภาคภาษาถิ่น" หมายถึงอะไร สายผลิตภัณฑ์ด้านเสียงพูดของ A​libaba ถูกสร้างขึ้นสำหรับตลาดในประเทศที่ภาษเขียนเดียวต้องแมปกับคำพูดซึ่งโมเดลที่รองรับเฉพาะภาษาจีนกลางจะจัดการได้ผิดเพี้ยน เช่น กวางตุ้ง เสฉวน อู๋ หมิ่นหนาน และอื่น ๆ Q​wen-Audio-3.0-T​TS-Plus รองรับภูมิภาคภาษาเหล่านี้โดยตรง และรุ่น 3.1 ของ A​libaba ได้เพิ่มการถ่ายโอนน้ำเสียงข้ามภาษา — เสียงเดียวที่ใช้ได้ทั้งภาษาจีนกลาง กวางตุ้ง อังกฤษ และญี่ปุ่น — ซึ่งเป็นฟีเจอร์ที่สำคัญหากคุณกำลังโลคัลไลซ์ผู้นำเสนอคนเดียวแทนการคัดเลือกนักพากย์แยกตามตลาด

อย่างที่สองคือการควบคุมการส่งเสียงในระดับโทเค็น Q​wen-Audio-3.0-T​TS-Plus สืบทอดชุดแท็กการส่งเสียงแบบอินไลน์ที่บันทึกไว้จำนวน 86 แท็กจากรุ่นของตน ทำให้สคริปต์สามารถใส่เครื่องหมายอารมณ์ จังหวะ และการเน้นได้โดยตรงในบทถอดเสียง ส่วน Voxtral 3 T​TS ของ Mistral เปิดให้ควบคุมอารมณ์ จังหวะ และการเน้นในระดับพรอมป์ต์ พร้อมการออกเสียงระดับฟอนีมและคลังคำศัพท์ — ใกล้เคียงกันในแง่เจตนา แต่ชุดคำศัพท์แท็กของ A​libaba มีความละเอียดกว่าของอีกฝ่ายเมื่อดูจากเอกสาร

ข้อที่สามคือ Alibaba เปิดตัวรุ่นพี่น้องที่ราคาถูกกว่า การรีเฟรชเป็น 3.1 ทำให้ TTS กลายเป็น SKU ระดับ Flash ดังนั้นทีมที่มองว่าระดับ 3.0-Plus แพงเกินไปจึงมีเส้นทางการดาวน์เกรดที่มีเอกสารรองรับภายในผู้ขายรายเดียวกัน ในระดับราคาใกล้เคียงกับ Voxtral 3 TTS คำตอบของ Mistral ต่อคำขอ "ขอถูกกว่านี้" คือโมเดลเดิมหรือผู้ขายอีกราย

จุดที่โมเดลของ Alibaba อ่อนกว่าก็ชัดเจนไม่แพ้กัน: 16 ภาษาถือเป็นแผนที่ที่เล็กมาก หากแคตตาล็อกของคุณใช้งานเป็นภาษาโปแลนด์ ตุรกี เวียดนาม หรือโปรตุเกส Qwen-Audio-3.0-TTS-Plus ก็ไม่รองรับคุณ และค่า Elo จะสูงแค่ไหนก็ปิดช่องว่างนั้นไม่ได้

จุดที่ Voxtral 3 TTS ชนะ

ความครอบคลุมภาษานอกเอเชีย พูดกันตรง ๆ ว่า อ้างว่ามีมากกว่า 35 ภาษาและกว่า 50 ภาษาถิ่น และมีตระกูลผลิตภัณฑ์ที่ออกแบบมาเพื่อการจัดซื้อจัดจ้างของยุโรป โดย Mistral ระบุว่าครอบคลุมภาษาราชการทั้ง 24 ภาษาของ EU ในโมเดลถอดเสียง พร้อมเอนด์พอยต์ API ทั้งใน EU, US และทั่วโลก รวมถึงการติดตั้งใช้งานเองบนโครงสร้างพื้นฐานส่วนตัวสำหรับผู้ซื้อที่จำเป็นต้องควบคุมว่าประมวลผลเสียงที่ใดและจะเก็บข้อมูลไว้หรือไม่ สำหรับผู้ซื้อภาครัฐหรือภาคสุขภาพของยุโรป นี่ไม่ใช่เพียงจุดชี้ขาดประกอบการตัดสินใจ แต่เป็นข้อกำหนดที่ต้องมี

อย่างที่สองคือสแต็กโดยรอบ Voxtral 3 T​TS ไม่ได้ถูกขายเป็นเพียง endpoint เดี่ยว: มันมาพร้อม agent SDK ที่อิง LiveKit ซึ่งรองรับ SIP, WebRTC และ IVR, มีคำกล่าวอ้างเรื่อง latency ของ agent-turn ที่ต่ำกว่าหนึ่งวินาที และมีราคาต่อหน่วยเป็นนาทีสำหรับลูปทั้งหมด — $0.04 เมื่อใช้ Mistral Small 4 reasoning, $0.08 เมื่อใช้โมเดล reasoning อีกตัวหนึ่ง A​libaba ก็มีโมเดลเสียงแบบเรียลไทม์เช่นกัน แต่ของ Mistral ได้รับการบันทึกว่าเป็นข้อเสนอแบบ bundling พร้อมตัวเลขต่อนาทีที่เผยแพร่ ซึ่งสร้าง business case ได้ง่ายกว่าอัตราต่อโทเค็น

ข้อที่สามคือราคา ถ้ามองกันแบบแคบ ๆ $13 เทียบกับ $19.31 คือส่วนลด 33% และเมื่อทำในระดับใหญ่ นั่นก็เป็นตัวเลขที่มีความหมายจริง: หนึ่งหมื่นชั่วโมงต่อเดือนคิดเป็นประมาณ $7,000 เทียบกับ $10,400 มันไม่ใช่เหตุการณ์ปรับราคาครั้งใหญ่ แต่ก็ไม่ใช่เรื่องเล็กเช่นกัน

ข้อโต้แย้งเรื่องการจัดเส้นทางตรงนี้มีน้ำหนักกว่าในคู่แข่งขันส่วนใหญ่

บทความเปรียบเทียบโมเดลกับโมเดลส่วนใหญ่มักจบด้วย "เลือกอันใดอันหนึ่ง" แต่คู่นี้เป็นปัญหาเชิงพอร์ตโฟลิโออย่างแท้จริง เพราะแผนที่ความครอบคลุมของทั้งสองแทบไม่ทับซ้อนกันที่ขอบ และทั้งคู่ก็ถูกพอที่จะรันเคียงข้างกัน แพลตฟอร์มอีคอมเมิร์ซสัญชาติยุโรปที่บรรยายหน้าสินค้าเป็นแปดภาษาของสหภาพยุโรปและยังให้บริการฐานลูกค้าที่พูดภาษากวางตุ้งจำเป็นต้องใช้ทั้งสอง เช่นเดียวกับบริษัทพากย์เสียงที่ทำงานกับซีรีส์ซึ่งมีบทสนทนาภาษาจีนกลางและคำบรรยายภาษาฝรั่งเศส

ส่วนที่ยุ่งยากในการใช้งานทั้งสองระบบไม่ใช่การเลือกโมเดล แต่เป็นเรื่องระบบเชื่อมต่อ: ผู้ให้บริการสองราย กลไกการยืนยันตัวตนสองแบบ ความสัมพันธ์ด้านการเรียกเก็บเงินสองแบบ ชุดรูปแบบความล้มเหลวสองชุด OrcaRouter เกิดขึ้นมาเพื่อรองรับรูปแบบนี้โดยเฉพาะ — คีย์เดียวที่เข้ากันได้กับ OpenAI ใช้ได้กับโมเดลกว่า 200 โมเดล ราคาตามรายการของผู้ให้บริการถูกส่งต่อโดยมีมาร์กอัป 0% ดังนั้นเมื่อผู้ขายปรับราคา การเปลี่ยนแปลงจึงมีผลในวันเดียวกัน และมี DSL สำหรับการกำหนดเส้นทางที่สามารถส่งคำขอที่ติดแท็กภาษาไปยังโมเดลที่รองรับภาษานั้น ณ เวลาที่เขียนนี้ ทั้ง Voxtral 3 TTS และ Qwen-Audio-3.0-TTS-Plus ยังไม่อยู่ในแคตตาล็อกของ OrcaRouter และการมี API เดียวสำหรับโมเดลกว่า 200 โมเดลเป็นข้อกล่าวอ้างเกี่ยวกับแคตตาล็อกที่เราให้บริการจริง ไม่ใช่เกี่ยวกับสองรุ่นนี้ — ปัจจุบันทั้งสองเข้าถึงได้ผ่าน API ของผู้ขายเองและแพลตฟอร์มบุคคลที่สามหลายแห่ง ประเด็นการออกแบบยังคงเดิม: หากเมทริกซ์ภาษาของคุณจำเป็นต้องใช้ผู้ให้บริการสองราย คุณย่อมต้องการให้การแยกนั้นอยู่ในกฎการกำหนดเส้นทางมากกว่าอยู่ในเส้นทางโค้ดสองเส้นทาง

สิ่งที่ผู้จำหน่ายทั้งสองรายไม่ได้เผยแพร่

ช่องว่างสามประการ และเป็นช่องว่างสามประการเดียวกันในทั้งสองกรณี ซึ่งบอกอะไรบางอย่างเกี่ยวกับว่าตลาดระดับนี้ยังใหม่เพียงใด

ไม่มีคะแนนแยกตามภาษา ตัวเลข Elo ทั้งสองค่าเป็นค่าที่รวมกันแล้ว โมเดลหนึ่งอาจอยู่ที่ 1,264 โดยรวมและยอดเยี่ยมในภาษาจีนกลางแต่อยู่ในระดับปานกลางในภาษาฝรั่งเศส ตารางอันดับไม่สามารถบอกคุณได้ และผู้ขายทั้งสองรายก็ไม่เผยแพร่รายละเอียดแยกตามภาษา สำหรับการตัดสินใจใดก็ตามที่ขึ้นอยู่กับคุณภาพในภาษาใดภาษาหนึ่ง การทดสอบที่เชื่อถือได้เพียงอย่างเดียวคือคลังข้อมูลของคุณเอง โดยให้เจ้าของภาษาเป็นผู้อ่านโดยไม่บอกว่าตัวอย่างใดมาจากโมเดลไหน

ไม่มีตัวเลขความทนทานสำหรับงานยาว คลิปของ Arena มีความยาวเพียงไม่กี่วินาที ทั้งสองโมเดลไม่ได้ระบุความยาวการสร้างสูงสุดสำหรับปลายทาง TTS ของตน และทั้งคู่ก็ไม่มีการทดสอบที่เผยแพร่เกี่ยวกับความสอดคล้องต่อเนื่องตลอดสิบนาที — ซึ่งเป็นความยาวที่หนังสือเสียงจะใช้งานได้หรือไม่ได้ เจเนอเรชัน 3.1 ของ Qwen ได้ย้ายการสร้างฉากแบบยาวไปยังโมเดล -Next แยกต่างหาก แทนที่จะขยายปลายทาง TTS ซึ่งเป็นการยอมรับโดยนัยว่าโมเดลพื้นฐานไม่ใช่เครื่องมือสำหรับงานยาว

ไม่มีการวัดเวลาหน่วง (latency) อย่างอิสระ Mistral ไม่ได้เผยแพร่ข้อมูลใด ๆ สำหรับการสังเคราะห์เสียงของ Voxtral 3 T​TS ขณะที่ A​libaba เผยแพร่ตัวเลขจากทางผู้พัฒนาเอง Artificial Analysis รายงานอัตราการประมวลผล (throughput) ที่ค่ามัธยฐาน 112 ตัวอักษรต่อวินาทีสำหรับ Voxtral 3 T​TS แต่ไม่รายงานสำหรับ Q​wen-Audio-3.0-T​TS-Plus ในหน้าเดียวกัน ใน voice agent แบบเรียลไทม์ เวลาถึงเสียงแรก (time-to-first-audio) เป็นตัวกำหนดประสบการณ์ของผลิตภัณฑ์มากกว่าคะแนน Elo และเป็นตัวเลขที่มีการเปิดเผยน้อยที่สุดในหมวดนี้

การแบ่งอย่างซื่อสัตย์

เลือก Q​wen-Audio-3.0-T​TS-Plusหากผลิตภัณฑ์พูดภาษาจีน — จีนกลางที่มีสำเนียงตามภูมิภาค กวางตุ้ง หรือการสลับภาษาระหว่างจีนกับอังกฤษ — หรือหากคุณต้องการแท็กการส่งมอบคำพูดแบบละเอียดภายในทรานสคริปต์ และต้องการผู้ให้บริการที่มีระดับราคาถูกกว่าซึ่งมีเอกสารระบุไว้ใต้รุ่นเรือธง ทั้งหมดนี้มีราคาสูงกว่า Voxtral 48% และนำหน้าอย่างวัดผลได้บนทั้งสองกระดานคะแนน สำหรับงานที่ให้ความสำคัญกับภาษาจีนเป็นอันดับแรก นั่นคือเงินที่คุ้มค่า

เลือกVoxtral 3 T​TSหากผลิตภัณฑ์รองรับภาษายุโรป หากข้อกำหนดการจัดซื้อระบุให้ข้อมูลต้องจัดเก็บอยู่ในสหภาพยุโรป หรือหากคุณกำลังสร้างเอเจนต์เสียงและต้องการการสังเคราะห์เสียงที่รวมมาให้พร้อมกับ SDK สำหรับเอเจนต์และราคาต่อนาทีที่ประกาศไว้ คุณจะเสียคะแนน Elo ไป 47 คะแนนและได้แผนที่ภาษาที่ครอบคลุมตลาดที่คุณขายอยู่

เลือกทั้งคู่ — และกำหนดเส้นทางเชื่อมระหว่างทั้งสอง — หากกลุ่มผู้ใช้ของคุณครอบคลุมทั้งสองแผนที่จริง ๆ เมื่อคิดแบบ Elo ต่อดอลลาร์ ทั้งสองนั้นใกล้เคียงกันมากพอที่การเสมอกันควรตัดสินด้วยความครอบคลุม ไม่ใช่ด้วยคะแนน และผลิตภัณฑ์ที่มีลูกค้าทั้งในกว่างโจวและกดัญสก์ย่อมไม่มีคำตอบเดียวที่ถูกต้อง

สิ่งที่น่าจับตาคือผู้จำหน่ายรายใดรายหนึ่งจะเผยแพร่ข้อมูลแยกตามภาษาหรือไม่ ในวินาทีที่รายใดรายหนึ่งทำเช่นนั้น การเปรียบเทียบนี้จะเลิกเป็นการโต้เถียงเรื่องแผนที่ และกลายเป็นการโต้เถียงเรื่องการวัด ซึ่งเป็นการโต้เถียงที่ดีกว่าที่จะมี