Grok Voice 3.0 vs Qwen-Audio-3.0-TTS: Một trong hai có thể nghe thấy bạn, và đó không phải là cái rẻ hơn

Đặt hai bảng giá cạnh nhau và mô hình của Alibaba thắng gấp ba lần. Qwen-Audio-3.0-TTS tạo ra giọng nói với mức giá 27,6 USD cho mỗi triệu ký tự, tương đương khoảng 1,66 USD âm thanh mỗi giờ, và hiện đã có sẵn dưới dạng API lưu trữ qua Alibaba Cloud Model Studio. Grok Voice 3.0, được SpaceXAI công bố vào ngày 14 tháng 10 năm 2026, tính phí 0,08 USD mỗi phút âm thanh — 4,80 USD một giờ — cộng thêm 0,004 USD cho mỗi đầu vào văn bản. Người dẫn chuyện là sản phẩm rẻ hơn, và người dẫn chuyện không thể nghe thấy bất cứ điều gì bạn nói. Qwen-Audio-3.0-TTS là một mô hình chuyển văn bản thành giọng nói. Grok Voice 3.0 là một mô hình giọng nói sang giọng nói song công hoàn toàn, phải quyết định vài lần mỗi giây liệu bạn đã nói xong chưa. Số giờ âm thanh mới là thước đo phù hợp cho đúng một trong hai sản phẩm này.

Đó là toàn bộ cuộc so tài gói gọn trong một đoạn văn, và mọi thứ bên dưới nó mới là phần quyết định việc triển khai: mỗi lựa chọn tốn bao nhiêu để vận hành khi bạn tính đến các chặng của pipeline xung quanh nó.

Một bên kết xuất một kịch bản. Một bên nhận một cuộc gọi.

Chuyển văn bản thành giọng nói nhận văn bản và trả về âm thanh. Không có âm thanh đầu vào, không có lượt hội thoại nào để thực hiện, không có khái niệm bị ngắt lời và không có bản chép lời nào quay trở lại, vì mô hình chưa từng nghe thấy gì cả. Mô hình chi phí của nó giống như một cỗ máy in — trang vào, âm thanh ra — và chỉ có hai con số quan trọng là chất lượng và thông lượng, cả hai đều có thể đo lường trước khi bạn phát hành.

Một mô hình song công hoàn toàn xử lý âm thanh đến trong khi vẫn đang phát ra âm thanh đi. Công việc của nó bao gồm những phần của cuộc hội thoại không hề liên quan đến từ ngữ: tạm dừng khi người gọi tạm dừng, tiếp tục xuyên qua một tín hiệu đáp lời thay vì coi đó là sự ngắt lời, nhường lượt nói ngay giữa câu, và kích hoạt một lệnh gọi công cụ mà không làm đứt mạch hội thoại. Grok Voice 3.0 làm được tất cả những điều đó và trả về bản ghi lời thoại song song với phiên, điều mà nó chỉ có thể làm được vì nó đã lắng nghe suốt thời gian đó.

Nếu sản phẩm của bạn đọc to bài viết, chuyển tài liệu thành âm thanh hoặc thuyết minh video, thì Grok Voice 3.0 là sai công cụ, với mức giá theo giờ đắt gấp ba lần và hoàn toàn không làm được việc đó, vì nó không nhận một kịch bản rồi tạo ra tệp. Nếu sản phẩm của bạn nhận cuộc gọi điện thoại, Qwen-Audio-3.0-TTS chỉ là một phần ba của một pipeline vẫn cần nhận dạng giọng nói và một mô hình ngôn ngữ để trở thành cuộc hội thoại — và mỗi chặng đó lại cộng thêm chi phí, độ trễ và một ranh giới nơi ngữ điệu bị đứt gãy.

Nơi Qwen-Audio-3.0-TTS thực sự mạnh

Lập luận ủng hộ mô hình của Alibaba không phải là tiếp thị. Được phát hành vào ngày 20 tháng 7 năm 2026 bởi Tongyi Lab của Alibaba và được cung cấp dưới dạng API đóng, lưu trữ trên hạ tầng của nhà cung cấp, bản Plus đã chiếm vị trí đầu bảng trên đấu trường chuyển văn bản thành giọng nói của Artificial Analysis khi ra mắt. Bảng xếp hạng luôn thay đổi, và bảng này đã thay đổi: tính đến tháng 9 năm 2026, Qwen-Audio-3.0-TTS-Plus đứng thứ tư trên Provider Voice Arena với Elo 1.232 trên 2.306 mẫu, sau Cartesia Sonic 3.6 ở 1.275, Inworld Realtime TTS-2 ở 1.244 và Simba 3.2 của Speechify ở 1.233 — ba mô hình từ tháng 7 và tháng 8 ra mắt sau nó. Đứng thứ tư trong hơn hai mươi mô hình, khi ngôi đầu đã mất và lợi thế về giá vẫn còn nguyên, vẫn là một vị trí mạnh. Chỉ có điều đó không phải là vị trí mà các bài đưa tin khi ra mắt đã mô tả.

• Độ phủ ngôn ngữ — 16 ngôn ngữ với các vị trí dẫn dắt ở 10 trong số đó, cùng với 20 vùng phương ngữ tiếng Trung.

• Nhân bản giọng nói — từ các mẫu tham chiếu ngắn, bao gồm cả nhân bản xuyên ngôn ngữ.

• Kiểm soát biểu cảm — 86 thẻ nội tuyến cho cảm xúc và cách truyền đạt.

• Thông lượng — Plus tạo ra khoảng 16 ký tự mỗi giây. Với kết xuất theo lô thì điều đó gần như không đáng kể; nhưng với một sản phẩm chạy trực tiếp, đây chính là con số quyết định bộ đệm của bạn.

• Các hạng — Flash hướng đến độ trễ gói đầu tiên khoảng 300 ms cho phát lại theo thời gian thực; Plus là hạng chất lượng. Chúng là những sản phẩm khác nhau dùng chung một tên, và chọn nhầm là lỗi đầu tiên thường gặp.

• Khoảng trống tài liệu — mức 27,6 USD cho mỗi triệu ký tự được trích dẫn rộng rãi không khớp với trang định giá của chính Alibaba trong mọi bản ghi nhận, nơi tại một số thời điểm đã liệt kê các con số thấp hơn cho cả hai hạng. Hãy kiểm tra con số ở cấp tài khoản trước khi bạn dự báo, thay vì dùng con số của bảng xếp hạng.

Hai điều cần lưu ý để tính trước. Dù hỗ trợ mười sáu ngôn ngữ, các giọng đặt trước công khai gần như hoàn toàn là tiếng Trung và tiếng Anh, còn mười bốn ngôn ngữ kia chỉ có được qua quy trình nhân bản giọng nói chứ không phải dùng sẵn. Và 86 thẻ cảm xúc nội tuyến chỉ hoạt động ở chế độ truyền phát một chiều, nên khả năng kiểm soát biểu cảm không tồn tại trên mọi đường tích hợp.

Cũng có một phiên bản cần lưu ý. Alibaba hiện liệt kê một thế hệ Qwen-Audio-3.1-TTS và một dòng Qwen Audio 3.0 Realtime riêng biệt, và chúng không phải cùng một mô hình với Qwen-Audio-3.0-TTS — dòng Realtime là một sản phẩm speech-to-speech xuất hiện trên một bảng xếp hạng hoàn toàn khác. Bất kỳ ai so sánh "Qwen Audio 3.0" với một mô hình hội thoại nên kiểm tra xem thực ra họ đang đọc hàng nào trong chính bảng giá của Alibaba.

Grok Voice 3.0 có giá bao nhiêu, và nó không giải quyết được những gì

Grok Voice 3.0 ra mắt vào ngày 14 tháng 10 năm 2026 với mức 0,08 USD mỗi phút âm thanh cộng 0,004 USD mỗi đầu vào văn bản, không đổi so với mô hình mà nó thay thế, với việc grok-voice-latest giờ trỏ đến nó và grok-voice-2.0 bị gắn cờ deprecated. Trên Chỉ số Speech to Speech của Artificial Analysis, nó giữ vị trí đầu bảng với 86,9; thành phần cao nhất của nó là hiệu suất agentic đạt 71,6% trên τ-Voice so với 56,5% của phiên bản tiền nhiệm — mức cải thiện lớn nhất trong bản phát hành này.

Tuyên bố về độ trễ là điểm mà hai mô hình cuối cùng cũng có chung một đơn vị đo. Grok Voice 3.0 công bố 0,81 giây để có âm thanh đầu tiên, con số nhanh nhất trong số các mô hình hội thoại tiên tiến. Bậc Flash của Qwen Audio nhắm tới khoảng 300 ms cho gói đầu tiên. Đó không phải cùng một phép đo: 300 ms là thời gian tới gói đầu tiên của một tác vụ kết xuất mà bạn đã có văn bản, còn 0,81 giây là thời gian bắt đầu nói sau khi con người ngừng nói, bao gồm cả việc quyết định rằng đã đến lượt bạn. Độ trễ gấp khoảng hai lần rưỡi đổi lấy khả năng bị ngắt lời. Việc đó có đáng hay không hoàn toàn phụ thuộc vào việc có một con người ở đầu bên kia hay không.

Grok Voice 3.0 cũng mang đến những phần của một sản phẩm thoại mà mô hình TTS để bạn tự lo: phiên song công, phát hiện lượt nói phía máy chủ, công cụ có phạm vi phiên để agent có thể gọi backend giữa cuộc hội thoại, và bản chép lời đi kèm với nó. Nó không mang đến chế độ đọc kịch bản, tính năng nhân bản giọng nói được tài liệu ghi là xuyên ngôn ngữ, hay mười sáu ngôn ngữ được quảng bá như một tính năng. Trường hợp sử dụng có thể nhắm tới của nó hẹp hơn của mô hình TTS, và con số tính theo giờ của nó cao hơn.

Phiên bản trung thực của dự luật Cascade

Một sản phẩm hội thoại được xây dựng trên mô hình chuyển văn bản thành giọng nói là một chuỗi xếp tầng: một mô hình nhận dạng giọng nói biến lời nói của người gọi thành văn bản, một mô hình ngôn ngữ quyết định sẽ nói gì, và mô hình TTS đọc nó lên. Ba nhà cung cấp, ba hóa đơn, ba ngân sách độ trễ cộng dồn lại, và một lần chuyển giao tại mỗi ranh giới. Chặng TTS có thể tốn 1,66 đô la một giờ âm thanh. Hai chặng còn lại mới thực sự là nơi tiền bạc và sai sót nằm ở đó, và chuỗi xếp tầng không thể nghe thấy một khoảng dừng ở giữa câu mà nó đang nói.

Grok Voice 3.0 gộp ba thành phần thành một phiên và một đồng hồ tính cước — với hai chi tiết giữ cho hóa đơn trung thực. Các lệnh gọi công cụ của nó và mọi suy luận được ủy thác đều chạy trên bất kỳ backend nào đáp lại chúng, theo mức giá riêng của mô hình đó, nên việc hướng tác nhân tới một mô hình suy luận tiên phong vốn tìm kiếm ở mỗi lượt sẽ tạo ra một cuộc gọi đắt đỏ đằng sau một lớp thoại rẻ. Và ở mức 300.000 phút một tháng, bảng giá là 24.000 USD chỉ riêng nửa phần thoại.

Thước đo thứ hai đó chính là nơi so sánh này không còn là một lựa chọn mô hình nữa mà trở thành một lựa chọn kiến trúc, và cũng là nơi một lớp định tuyến khẳng định được vị trí của mình. OrcaRouter không hỗ trợ cả Grok Voice 3.0 lẫn Qwen-Audio-3.0-TTS; các lớp giọng nói trong cả hai trường hợp đều nằm ngoài tầm với của chúng tôi và chúng tôi không định tuyến phần nào của chúng. Còn chặng suy luận thì không. Hai trăm lẻ bảy mô hình từ hơn một tá nhà cung cấp thượng nguồn nằm sau một khóa duy nhất ở mức giá niêm yết của nhà cung cấp, không cộng thêm, và việc nhà cung cấp giảm giá được áp dụng ngay trong ngày thay vì phải chờ đến kỳ gia hạn hợp đồng tiếp theo của bạn. Đối với một cascade bao trùm hoàn toàn chặng giữa: hãy đặt hai tùy chọn nhận dạng giọng nói và ba mô hình suy luận sau một endpoint, A/B chúng với lưu lượng thật, và để cơ chế chuyển đổi dự phòng tự động hấp thụ sự cố ngừng dịch vụ từ nhà cung cấp thượng nguồn mà không làm rớt cuộc gọi. Một DSL định tuyến kết hợp nhiều mô hình thành một cuộc gọi cho những trường hợp mà một mô hình suy luận duy nhất là không đủ.

Lựa chọn, trong một câu hỏi

Hãy mua Qwen-Audio-3.0-TTS nếu đầu ra là nội dung: tường thuật, bản địa hóa, âm thanh trợ năng, lồng tiếng, hoặc bất kỳ quy trình nào mà văn bản có trước âm thanh và chất lượng trên mỗi giờ kết xuất là thước đo. Bắt đầu với Flash nếu bạn cần phát trực tiếp và chuyển sang Plus khi chính giọng nói là sản phẩm bàn giao, định giá quy trình nhân bản giọng nói tách biệt với các giọng đặt trước, và xác nhận mức giá trên mỗi triệu ký tự ở cấp tài khoản trước khi bạn lập dự báo dựa trên đó.

Mua Grok Voice 3.0 nếu đầu vào là một người. Đường dây hỗ trợ, luồng đặt lịch, phỏng vấn tiếp nhận, bất cứ tình huống nào mà âm tiết đầu tiên của người gọi vang lên trong khi mô hình đang ở giữa câu và hệ thống phải hành xử như một người nghe thay vì một người phát. Nó tốn nhiều tiền hơn cho mỗi giờ âm thanh, nó không thể đọc tài liệu của bạn, và nó là cái duy nhất trong hai cái có thể bị ngắt lời.

Nhiều sản phẩm thực tế muốn cả hai — một mô hình kết xuất tạo ra các tài sản âm thanh và một mô hình song công xử lý cuộc gọi mà những tài sản đó thuộc về. Điều chúng không nên chia sẻ là mô hình chi phí. Mỗi giờ âm thanh là đơn vị đúng cho một trong hai thứ này, còn chi phí thực sự của cái kia là pipeline mà bạn đã tránh được bằng cách không xây dựng một cascade.