AssemblyAI-TTS-1 vs Qwen-Audio-3.0-TTS: Mô hình trong tiêu đề không phải là mô hình nên mua

So sánh này nhắc đến Qwen-Audio-3.0-TTS, và đó là một vấn đề đáng sửa trước khi đưa ra bất kỳ con số nào. Alibaba đã cho 3.0 ngừng vai trò mô hình giọng nói hàng đầu của mình vào ngày 23 tháng 9 năm 2026, khi dòng Qwen-Audio-3.1 ra mắt tại Hội nghị Apsara và đặt Qwen-Audio-3.1-TTS-Pluslên vị trí dẫn đầu trong chính dòng TTS của hãng. Vậy nên phiên bản trung thực của cuộc đối chiếu này là ba mô hình, chứ không phải hai — AssemblyAI-TTS-1, một endpoint đóng có giá 15 đô-la Mỹ mỗi một triệu ký tự, đã được phát hành rộng rãi vào ngày 27 tháng 10 năm 2026, đối đầu với cả hai thế hệ trong chồng công nghệ giọng nói của Qwen — và câu trả lời sẽ thay đổi tùy theo việc bạn thực sự muốn nói đến Qwen nào. Nếu hợp đồng, tích hợp hoặc ghi chú mua sắm của bạn ghi 3.0, hãy đọc phần tiếp theo. Nếu ghi 3.1, hãy bỏ qua phần đó.

Trước hết, xin đính chính: 3.0 không phải là Qwen hiện tại

Qwen-Audio-3.0-TTS đã ra mắt ngày 20 tháng 7 năm 2026 với hai phiên bản. Flash được xây dựng cho mục đích sử dụng theo thời gian thực với độ trễ gói đầu tiên khoảng 300 ms; Plus là phiên bản chất lượng cao với giá 27,59 USD mỗi triệu ký tự thông qua Alibaba Cloud Model Studio. Dòng sản phẩm này bao gồm 16 ngôn ngữ cùng 20 vùng phương ngữ Trung Quốc, hỗ trợ 86 thẻ điều khiển nội tuyến như [angry] và [giggles] cùng với chỉ dẫn phong cách bằng ngôn ngữ tự nhiên dạng tự do, thực hiện nhân bản zero-shot mạnh mẽ với nhiễu, xuất ở 48 kHz và tổng hợp tối đa ba phút trong một lần. Đây là sản phẩm đóng và chỉ được cung cấp dưới dạng dịch vụ lưu trữ — không có trọng số mở, một sự rời bỏ có chủ đích so với Qwen3-TTS trọng số mở trước đó của Alibaba.

Mười tuần sau, stack 3.1 đã thay thế nó trên ASR, TTS, TTS-Next và realtime. Gói TTS 3.1 vẫn giữ nguyên đội hình 8 giọng, được niêm yết ở mức 19,3 USD/triệu ký tự trong cột giá của Artificial Analysis, và là mục mà hầu hết các so sánh Qwen kể từ cuối tháng 9 thực sự đang đề cập đến. Thực tế: 3.0 vẫn có thể gọi được nếu bạn đã tích hợp, 3.1 là thứ một người mua mới sẽ được báo giá, và bất kỳ bài viết nào đặt điểm số tháng 7 của 3.0 cạnh một bản ra mắt tháng 10 mà không nói rõ điều đó đang bán cho bạn một so sánh đã cũ.

Bảng, đọc một lần, cho cả ba.

Provider Voice Arena của Artificial Analysis, đọc vào ngày 30 tháng 10 năm 2026, do đó một công cụ cho mỗi hàng dưới đây:

• Qwen-Audio-3.1-TTS-Plus — thứ ba, 1.305 Elo, 2.281 mẫu, phát hành vào tháng 9 năm 2026.

• Qwen-Audio-3.0-TTS-Plus — thứ bảy, 1.269 Elo, 2.794 mẫu, phát hành tháng 6–7 năm 2026.

• AssemblyAI-TTS-1 — thứ mười bốn, 1.227 Elo, 1.632 mẫu, phát hành tháng 10 năm 2026.

• {{1}}ElevenLabs Eleven v4 Turbo{{/1}} và {{2}}Eleven v4{{/2}} đứng thứ nhất và thứ hai ở mức {{3}}1,336{{/3}} và {{4}}1,334{{/4}}, đối với điểm tham chiếu mà bài viết này không đề cập.

Khoảng cách 78 điểm giữa AssemblyAI-TTS-1 và hạng Qwen TTS hiện tại là có thật nhưng không phải khoảng cách lớn nhất trong cặp đối đầu này — ElevenLabs cao hơn Qwen 31 điểm và cao hơn AssemblyAI 109 điểm trong cùng một lần đánh giá. Điều quan trọng hơn là một dòng 1.632 mẫu cho một mô hình mới bốn ngày tuổi là bằng chứng mỏng manh, và các khoảng trên bảng đó đủ rộng đến mức một lần chạy lại có thể khiến AssemblyAI-TTS-1 xê dịch vài bậc mà không có gì về mô hình thay đổi.

Mười sáu ký tự mỗi giây là con số quyết định điều này

Đây là phép đo mà gần như không ai đưa vào một so sánh Qwen, và nó chính là phép đo quan trọng cho công việc mà AssemblyAI-TTS-1 được tạo ra để làm.

Artificial Analysis đo AssemblyAI-TTS-1 ở mức 162 ký tự mỗi giây khi tổng hợp. Qwen-Audio-3.0-TTS-Plus, với cùng cách thức đo lường, tạo ra khoảng 16 ký tự mỗi giây — mô hình chậm nhất trong số những mô hình gần đỉnh bảng xếp hạng. Thế hệ 3.1 đã cải thiện được điều đó, nhưng tốc độ tạo vẫn là trục yếu chứ không phải điểm mạnh của dòng mô hình này.

Giờ hãy quy đổi sang đơn vị duy nhất mà một live agent quan tâm. Lời nói thông thường chạy ở khoảng 900 ký tự mỗi phút, tức 15 ký tự mỗi giây. Một mô hình tạo ra 16 ký tự mỗi giây, trong phạm vi sai số làm tròn, có hệ số thời gian thực là 1.0 — nó chỉ vừa đủ bắt kịp một luồng phát, và không thể phục vụ hai cuộc hội thoại đồng thời nếu không có thêm phần cứng phía sau. Một mô hình ở mức 162 ký tự mỗi giây có dư địa khoảng mười luồng trên mỗi đơn vị cùng lượng tính toán.

Điều đó định hình lại khoảng cách Elo. Mức thiếu hụt 78 điểm về ưu tiên đánh giá mù là một câu hỏi về chất lượng mà bạn có thể trả lời bằng chính kho dữ liệu của mình. Mức thiếu hụt thông lượng gấp mười lần là một câu hỏi về năng lực mà sẽ đến dưới dạng hóa đơn, vì giải pháp là nhiều giây GPU hơn cho mỗi người gọi đồng thời, và theo mức giá dịch vụ lưu trữ của Alibaba thì đó không phải là đòn bẩy nằm trong tầm kiểm soát của bạn.

Cả hai lưu ý, nói thẳng ra. Đây là hai nhà cung cấp được đo trên cùng một công cụ, không phải một phép so sánh đối đầu có kiểm soát; thông lượng sinh phụ thuộc vào phần cứng, cách gom lô và độ dài chuỗi. Và bộ tokenizer giọng nói 12,5 Hz của Qwen — cố ý thấp so với mức thông thường 50–75 Hz — chính là thứ giữ độ trễ gói đầu tiên ở mức gần 300 ms trên hạng Flash. Qwen tối ưu cho độ trễ đến âm thanh đầu tiên. AssemblyAI tối ưu cho số ký tự mỗi giây một khi lượt hội thoại bắt đầu. Đó là những đặt cược khác nhau và một tác nhân điện thoại cảm nhận được cả hai.

Ngôn ngữ và thẻ điều khiển là những lĩnh vực mà Qwen chưa hề bị ai đánh bại sát nút.

Nếu lập luận về thông lượng quyết định trường hợp trung tâm cuộc gọi, thì lập luận về ngôn ngữ quyết định mọi thứ còn lại, và điều đó không hề tinh tế:

• Phạm vi — Qwen-Audio-3.0-TTS hỗ trợ 16 ngôn ngữ và 20 vùng phương ngữ Trung Quốc; AssemblyAI-TTS-1 ra mắt với sáu ngôn ngữ (tiếng Anh, tiếng Tây Ban Nha, tiếng Pháp, tiếng Đức, tiếng Ý, tiếng Bồ Đào Nha) và nhiều giọng điệu khác nhau trong các ngôn ngữ đó.

• Hướng — Qwen cung cấp 86 thẻ điều khiển nội tuyến cùng các câu lệnh phong cách tự do; AssemblyAI-TTS-1 không có thẻ cảm xúc, không có SSML, không có tham số tốc độ và không có từ điển phát âm khi ra mắt, và bài đăng của chính nó nói rằng các yếu tố không trôi chảy được viết ra sẽ được đọc đúng như khi viết thay vì được diễn đạt.

• Nhân bản giọng nói — Qwen thực hiện nhân bản zero-shot có khả năng chống nhiễu; AssemblyAI thực hiện nhân bản tức thì từ một mẫu 24 giây với bước xác nhận sự cho phép của người nói. Cả hai đều không cung cấp gói nhân bản chuyên nghiệp đã được huấn luyện, vốn là sản phẩm của ElevenLabs, chứ không phải của Qwen hay AssemblyAI.

• Đầu ra — Qwen tổng hợp ở 48 kHz với giới hạn xử lý một lượt trong ba phút; AssemblyAI truyền luồng PCM 8–48 kHz, µ-law hoặc A-law kèm dấu thời gian theo từ và thông báo hủy khi có ngắt lời, chính là phần kết nối hạ tầng mà một ngăn xếp điện thoại thực sự cần.

• Tính mở — không bên nào công bố trọng số. Cả hai đều chỉ được cung cấp dưới dạng dịch vụ lưu trữ, trong khu vực và do nhà cung cấp định giá.

Bảng đó có một cách diễn giải hiển nhiên: AssemblyAI-TTS-1 không phải là sản phẩm đa ngôn ngữ và cũng không giả vờ là như vậy. Nếu agent của bạn cần nói tiếng Nhật, tiếng Hàn hoặc tiếng Quan Thoại, thì dòng Qwen chính là câu trả lời và bài viết này kết thúc ở đó. Nếu agent của bạn nói tiếng Anh với những người gọi tiếng Anh và đôi khi nói tiếng Tây Ban Nha, thì sáu ngôn ngữ là đủ và danh sách năng lực của Qwen đang khiến bạn phải trả tiền cho những tính năng mà prompt của bạn sẽ không bao giờ dùng đến.

Giá mỗi giờ, ba cách

Sử dụng cùng một ước tính như ở mọi nơi khác trong loạt bài này — khoảng 900 ký tự lời nói mỗi phút, tức khoảng 54.000 mỗi giờ — chi phí tổng hợp mỗi giờ là:

• AssemblyAI-TTS-1 — 15 đô la mỗi một triệu ký tự, bao gồm mọi giọng nói, ngôn ngữ và tính năng nhân bản giọng nói, xử lý song song không giới hạn mà không thu thêm phí: khoảng 0,81 đô la cho mỗi giờ âm thanh.

• Qwen-Audio-3.0-TTS-Plus — 27,59 USD mỗi triệu ký tự trên Alibaba Cloud Model Studio: khoảng 1,49 USD mỗi giờ.

• Qwen-Audio-3.1-TTS-Plus — 19,3 USD mỗi triệu ký tự theo ghi nhận của Artificial Analysis: khoảng 1,04 USD mỗi giờ.

Lưu ý sự chênh lệch mà chính bạn có thể thấy trên bảng: Artificial Analysis liệt kê cả hai thế hệ Qwen ở mức 19,3 USD trên một triệu ký tự, trong khi thẻ Model Studio của Alibaba dành cho 3.0-Plus ghi 27,59 USD. Đó là hai thước đo khác nhau — giá niêm yết của nhà cung cấp và cách chuẩn hóa của bảng — và cả hai đều không phải là hóa đơn bạn sẽ nhận được khi mức giá theo khối lượng cam kết được tính đến. Các con số theo giờ ở trên dùng từng con số đúng như nhãn ghi, vì vậy hãy coi mức 3.1 là đơn vị so sánh và mức 3.0 là thứ gần nhất với giá niêm yết.

AssemblyAI là dịch vụ rẻ nhất trong ba dịch vụ, rẻ hơn 22% so với gói Qwen hiện tại và rẻ hơn 45% so với gói được nhắc trong tiêu đề bài viết này. Nhưng cột giá không phải là nơi tiền thực sự nằm. Tiền nằm ở cột thông lượng, vì một mô hình chạy ở hệ số thời gian thực 1,0 cần lượng phần cứng trên mỗi người gọi đồng thời gấp khoảng mười lần so với một mô hình chạy ở 162 ký tự mỗi giây — và mức định giá theo ký tự của dịch vụ lưu trữ che giấu hệ số nhân đó bên trong khâu lập kế hoạch công suất của nhà cung cấp, cho đến khi nó lộ ra dưới dạng giới hạn lưu lượng hoặc độ trễ vào giờ cao điểm.

Bộ định tuyến thực sự bổ sung gì ở đây

Triển khai thực tế cho một nhóm đang đối mặt với quyết định này không phải là riêng mô hình nào. Đó là các lượt tiếng Anh trên endpoint rẻ, nhanh và các lượt không phải tiếng Anh trên hạng Qwen, được chuyển theo ngôn ngữ của người gọi — đây là bài toán định tuyến, không phải bài toán mô hình. Đó là lớp mà OrcaRouter bao phủ cho phần còn lại của ngăn xếp: một API cho hơn 200 mô hình theo giá niêm yết của nhà cung cấp với mức phụ trội 0%, tự động chuyển đổi dự phòng khi một nhà cung cấp bị suy giảm, và một DSL định tuyến kết hợp nhiều mô hình phía sau một endpoint duy nhất thay vì nhiều hợp đồng và nhiều SDK.

Để nói rõ điều đó có nghĩa gì và không có nghĩa gì: hiện nay cả AssemblyAI-TTS-1 lẫn bất kỳ hạng Qwen-Audio TTS nào đều không nằm trong danh mục của OrcaRouter. Các mô hình giọng nói mà chúng tôi định tuyến là tts-1, tts-1-hd và gpt-4o-mini-tts của OpenAI cùng các bản xem trước Gemini TTS của Google. Vì vậy, lập luận về định tuyến áp dụng cho mô hình ngôn ngữ viết nên câu mà TTS của bạn đọc, và cho bất kỳ mô hình giọng nói nào bạn thêm sau này mà chúng tôi có cung cấp — chứ không áp dụng cho hai mô hình này.

So sánh này thực sự dành cho ai

Hãy mua Qwen-Audio-3.1-TTS-Plus — không phải 3.0 — nếu agent của bạn phải nói hơn sáu ngôn ngữ, nếu bạn cần diễn xuất theo chỉ đạo thay vì chỉ đọc thông thường, hoặc nếu bạn đã ở trong Alibaba Cloud và hợp đồng chính là ràng buộc. Nó đứng thứ ba trên bảng đánh giá mù, có giá $1.04 một giờ, và tốc độ tạo của nó là thứ cần kiểm tra so với mục tiêu đồng thời của chính bạn trước khi cam kết.

Hãy mua AssemblyAI-TTS-1 nếu khối lượng công việc là hội thoại điện thoại ưu tiên tiếng Anh với lưu lượng lớn: mức giá cố định $15, khả năng đồng thời không giới hạn mà không thu phí, dư địa 162 ký tự mỗi giây, dấu thời gian theo từ và tính năng hủy khi ngắt lời được tích hợp sẵn, cùng phép đo độ trễ độc lập là 159 ms để cân nhắc với tuyên bố của nhà cung cấp là 90 ms. Hãy chấp nhận rằng bạn đang từ bỏ mười ngôn ngữ, 86 thẻ điều khiển và mọi khả năng sửa một từ viết tắt bị phát âm sai bằng từ điển — và rằng điểm phụ độc lập yếu nhất của nó, 73,8% về mở rộng từ viết tắt, chính xác là kiểu lỗi mà người gọi nhận ra.

Sai lầm cần tránh chính là sai lầm mà tiêu đề bài viết này đã mời gọi: trích dẫn điểm số của một mô hình tháng Bảy trong một quyết định tháng Mười, rồi đến lúc tích hợp mới phát hiện rằng bậc phân hạng mà bạn được báo giá chính là bậc đã thay thế nó. Hãy kiểm tra xem bạn thực sự đang được bán phiên bản Qwen nào trước khi đem nó ra so sánh với bất cứ thứ gì.