Voxtral 3 TTS so với Qwen-Audio-3.0-TTS-Plus: Hai giọng nói giá rẻ, hai tấm bản đồ khác nhau

Cả hai mô hình này đều rẻ hơn mô hình tiên phong và cả hai đều nằm ngoài nhóm đó, khiến việc lựa chọn giữa Voxtral 3 T​TS và Q​wen-Audio-3.0-T​TS-Plus trở thành câu hỏi về độ phủ ngôn ngữ chứ không phải về chất lượng. Trên bảng Provider Voice của Artificial Analysis, hai mô hình cách nhau 47 Elo — Q​wen ở 1.264 (#7), mô hình mới của Mistral ở 1.217 (#13) — và giá của chúng là 19,31 USD và 13,00 USD cho mỗi triệu ký tự. Cả hai khoảng cách đều không mang tính quyết định. Điều mang tính quyết định là mô hình của A​libaba được xây dựng xoay quanh tiếng Trung, bao gồm hai mươi vùng phương ngữ và tám mươi sáu thẻ thể hiện nội tuyến, trong khi mô hình của Mistral được xây dựng xoay quanh hai mươi bốn ngôn ngữ chính thức của Liên minh châu Âu. Nếu sản phẩm của bạn nói tiếng Quan Thoại, tiếng Quảng Đông hoặc tiếng Phúc Kiến, cuộc tranh luận kết thúc ngay ở danh sách ngôn ngữ. Nếu sản phẩm nói tiếng Bồ Đào Nha, tiếng Ba Lan hoặc tiếng Hà Lan, nó cũng kết thúc ở đó, theo chiều ngược lại. Những lỗi AI và sự cố tác nhân đã được ghi nhận đằng sau các bản phát hành như bản này được tập hợp trong the OrcaRouter AI Incident Archive trong đó mỗi mục đều có nguồn riêng, mức độ nghiêm trọng, mức xếp hạng độ tin cậy và cờ tranh chấp.

Những con số, và mức độ ảnh hưởng của chúng

• Elo giọng nói của nhà cung cấp — Q​wen-Audio-3.0-T​TS-Plus: 1.264. Voxtral 3 T​TS: 1.217. Cả hai theo Artificial Analysis, ngày 21 tháng 10 năm 2026.

• Elo giọng nói có kiểm soát — Q​wen-Audio-3.0-T​TS-Plus: 1,125 (#7). Voxtral 3 T​TS: 1,066 (#14). Khoảng cách tăng từ 47 lên 59 điểm khi cả hai được nhân bản trên cùng tám giọng tham chiếu, nghĩa là lợi thế của A​libaba nằm ở động cơ tổng hợp, không phải ở thư viện giọng nói.

• Giá trên mỗi 1 triệu ký tự — $19.31 cho Q​wen-Audio-3.0-T​TS-Plus, $13.00 cho Voxtral 3 T​TS. Với khoảng 900 ký tự mỗi phút nói, tức là $1.04 so với $0.70 mỗi giờ.

• Ngôn ngữ — Alibaba: 16 ngôn ngữ cùng 20 vùng phương ngữ Trung Quốc. Mistral: hơn 35 ngôn ngữ và hơn 50 phương ngữ, với các cài đặt sẵn cho 18 ngôn ngữ.

• Nhân bản giọng nói — A​libaba: nhân bản bằng âm thanh tham chiếu, bao gồm chuyển đổi âm sắc xuyên ngôn ngữ. Mistral: thích ứng "Pro Voice" từ 30 phút âm thanh. Cả hai đều không cung cấp tính năng nhân bản tức thời trong mười giây mà Cartesia chào bán.

• Weights — đóng ở cả hai phía. Cả hai đều là sản phẩm chỉ dùng API.

• Độ trễ — Alibaba công bố riêng một chỉ số streaming ký tự đầu tiên cho các mô hình nhận dạng của mình và cho một mô hình giọng nói thời gian thực; Mistral không công bố thời gian đến âm thanh đầu tiên cho Voxtral 3 TTS. Không con số nào trong hai con số này có thể so sánh giữa các nhà cung cấp và, đối với tổng hợp, không con số nào là phép đo độc lập.

Một lưu ý về các số liệu Elo: Voxtral 3 T​TS mới có mặt trên bảng được một ngày khi các số liệu này được đọc, với 1,619 lượt so sánh so với 2,399 của Q​wen. Ở cỡ mẫu đó, khoảng cách 47 điểm nằm trong các khoảng tin cậy chồng lấn chỉ là một hướng, không phải là một phán quyết. Hãy hiểu đó là "Q​wen có lẽ nhỉnh hơn một chút" chứ không phải là con số 47 được đo.

Nơi mô hình của A​libaba giành chiến thắng, và đó không phải là một chiến thắng sát nút

Độ phủ tiếng Trung là điểm khác biệt đầu tiên và lớn nhất, và đáng để nói chính xác "20 vùng phương ngữ" nghĩa là gì. Dòng sản phẩm giọng nói của A​libaba được xây dựng cho thị trường nội địa, nơi một ngôn ngữ viết duy nhất ánh xạ tới lời nói mà một mô hình chỉ biết tiếng Quan Thoại sẽ xử lý sai: tiếng Quảng Đông, tiếng Tứ Xuyên, tiếng Ngô, tiếng Mân Nam, v.v. Q​wen-Audio-3.0-T​TS-Plus hỗ trợ bản địa các vùng đó, và thế hệ 3.1 của A​libaba đã bổ sung tính năng chuyển đổi âm sắc xuyên ngôn ngữ — một giọng nói được mang qua tiếng Quan Thoại, tiếng Quảng Đông, tiếng Anh và tiếng Nhật — đây là tính năng quan trọng nếu bạn bản địa hóa một người dẫn duy nhất thay vì tuyển chọn giọng theo từng thị trường.

Thứ hai là điều khiển cách thể hiện ở cấp độ token. Q​wen-Audio-3.0-T​TS-Plus thừa hưởng một bộ 86 thẻ điều khiển cách thể hiện nội tuyến đã được ghi tài liệu từ thế hệ của mình, cho phép kịch bản mang trực tiếp các dấu hiệu cảm xúc, nhịp độ và nhấn mạnh trong bản ghi lời. Voxtral 3 T​TS của Mistral cung cấp điều khiển ở cấp độ prompt đối với cảm xúc, nhịp điệu và nhấn mạnh, cùng với phát âm ở cấp độ âm vị và một thư viện từ vựng — tương đồng về mục đích, nhưng xét trên giấy tờ, bộ từ vựng thẻ của A​libaba chi tiết hơn trong hai bộ.

Điều thứ ba là {{1}}A​libaba{{/1}} đã tung ra một sản phẩm anh em rẻ hơn. Bản làm mới 3.1 đã đưa T​TS thành một SKU thuộc phân hạng Flash, nên một nhóm nhận thấy phân hạng 3.0-Plus quá đắt sẽ có một lộ trình hạ cấp được tài liệu hóa trong cùng nhà cung cấp, với mức giá gần tương đương Voxtral 3 T​TS. Câu trả lời của Mistral cho “rẻ hơn đi” là vẫn dùng cùng mô hình hoặc chuyển sang một nhà cung cấp khác.

Chỗ mô hình của Alibaba yếu hơn cũng rõ không kém: 16 ngôn ngữ là một tấm bản đồ nhỏ. Nếu danh mục của bạn vận hành bằng tiếng Ba Lan, tiếng Thổ Nhĩ Kỳ, tiếng Việt hoặc tiếng Bồ Đào Nha, Qwen-Audio-3.0-TTS-Plus không bao phủ bạn và không mức Elo nào bù đắp được điều đó.

Nơi Voxtral 3 T​TS chiếm ưu thế

Độ phủ ngôn ngữ bên ngoài châu Á, nói thẳng ra. Hơn 35 ngôn ngữ với hơn 50 phương ngữ được công bố, cùng một dòng sản phẩm nhắm đến mua sắm châu Âu: Mistral tuyên bố hỗ trợ tất cả 24 ngôn ngữ chính thức của EU trên các mô hình phiên âm và các điểm cuối API EU, Mỹ và toàn cầu, với khả năng tự triển khai trên hạ tầng riêng cho những người mua cần kiểm soát nơi xử lý âm thanh và việc âm thanh có được lưu giữ hay không. Đối với người mua trong khu vực công hoặc y tế châu Âu, đó không phải là yếu tố phân định thắng thua, mà là một yêu cầu bắt buộc.

Thứ hai là ngăn xếp xung quanh. Voxtral 3 TTS không được bán như một endpoint đơn lẻ: nó đi kèm SDK agent dựa trên LiveKit hỗ trợ SIP, WebRTC và IVR, tuyên bố độ trễ mỗi lượt agent dưới một giây, và giá theo phút cho toàn bộ vòng lặp — $0.04 với tính năng suy luận của Mistral Small 4, $0.08 với một mô hình suy luận khác. Alibaba cũng có mô hình giọng nói thời gian thực, nhưng giải pháp của Mistral được tài liệu hóa như một đề xuất gói kết hợp với con số theo phút được công bố, dễ xây dựng luận cứ kinh doanh hơn so với bảng giá theo token.

Thứ ba là giá, xét theo nghĩa hẹp. 13 đô so với 19,31 đô là mức giảm 33%, và ở quy mô lớn thì đó là một con số thực sự: mười nghìn giờ một tháng tương đương khoảng 7.000 đô so với 10.400 đô. Đây không phải là một sự kiện định giá lại, nhưng cũng không phải là chuyện không đáng kể.

Trường hợp định tuyến ở đây mạnh hơn so với hầu hết các cặp đối đầu.

Hầu hết các bài so sánh mô hình với mô hình đều kết thúc bằng “chọn một”. Cặp này là một bài toán danh mục thực sự, vì hai bản đồ độ phủ hầu như không chồng lấn ở các mép và cả hai đều đủ rẻ để chạy song song. Một nền tảng thương mại điện tử châu Âu thuyết minh các trang sản phẩm bằng tám ngôn ngữ EU và đồng thời phục vụ tệp khách hàng nói tiếng Quảng Đông cần cả hai. Một hãng lồng tiếng đang làm một bộ sê-ri có hội thoại tiếng Quan Thoại và phụ đề tiếng Pháp cũng vậy.

Phần khó xử khi chạy cả hai không nằm ở việc chọn mô hình, mà ở phần hạ tầng kết nối: hai nhà cung cấp, hai cơ chế xác thực, hai mối quan hệ thanh toán, hai bộ kiểu lỗi. OrcaRouter tồn tại chính vì hình thái đó — một khóa tương thích OpenAI cho hơn 200 mô hình, giá niêm yết của nhà cung cấp được chuyển thẳng với mức cộng thêm 0% để khi nhà cung cấp thay đổi giá thì thay đổi đó có hiệu lực ngay trong ngày, và một DSL định tuyến có thể gửi yêu cầu được gắn thẻ ngôn ngữ đến mô hình đáp ứng ngôn ngữ đó. Tính đến thời điểm viết bài này, cả Voxtral 3 T​TS lẫn Q​wen-Audio-3.0-T​TS-Plus đều không có trong danh mục của OrcaRouter, và việc một API cho hơn 200 mô hình là một tuyên bố về danh mục mà chúng tôi thực sự vận hành, không phải về hai mô hình này — hiện nay cả hai đều được truy cập qua API riêng của nhà cung cấp và một số nền tảng bên thứ ba. Luận điểm thiết kế vẫn đứng vững bất kể điều đó: nếu ma trận ngôn ngữ của bạn cần hai nhà cung cấp, bạn muốn sự phân tách nằm trong một quy tắc định tuyến thay vì trong hai luồng mã.

Điều mà cả hai nhà cung cấp đều chưa công bố

Ba khoảng trống, và chúng cũng chính là ba khoảng trống đó trong cả hai trường hợp, điều này phần nào cho thấy phân khúc này của thị trường vẫn còn non trẻ đến mức nào.

Không có điểm số theo từng ngôn ngữ. Cả hai con số Elo đều là số liệu tổng hợp. Một mô hình có thể đứng ở mức 1.264 tổng thể và xuất sắc ở tiếng Quan Thoại nhưng tầm thường ở tiếng Pháp; bảng xếp hạng không thể cho bạn biết điều đó, và cả hai nhà cung cấp đều không công bố bản phân tích chi tiết theo ngôn ngữ. Với bất kỳ quyết định nào phụ thuộc vào chất lượng ở một ngôn ngữ cụ thể, bài kiểm tra đáng tin cậy duy nhất là kho ngữ liệu của chính bạn, được đọc bởi một người bản ngữ không được cho biết mô hình nào đã tạo ra mẫu nào.

Không có con số nào về độ bền cho dạng nội dung dài. Các clip trên Arena chỉ chạy vài giây. Cả hai mô hình đều không công bố độ dài sinh tối đa cho endpoint TTS của mình, và cả hai cũng không có bài kiểm tra nào được công bố về tính mạch lạc xuyên suốt mười phút — độ dài mà ở đó một audiobook hoặc là vận hành được, hoặc là không. Thế hệ 3.1 của Qwen đã chuyển việc sinh cảnh dạng dài sang một mô hình -Next riêng biệt thay vì mở rộng endpoint TTS, và đó là một sự thừa nhận ngầm rằng mô hình nền tảng không phải là công cụ dành cho nội dung dài.

Không có phép đo độ trễ độc lập nào. Mistral không công bố bất kỳ số liệu nào cho việc tổng hợp TTS của Voxtral 3 TTS; Alibaba công bố số liệu do nhà cung cấp tự báo cáo. Artificial Analysis báo cáo thông lượng trung vị 112 ký tự mỗi giây đối với Voxtral 3 TTS, nhưng không báo cáo cho Qwen-Audio-3.0-TTS-Plus trên cùng trang. Trong một tác nhân giọng nói trực tiếp, thời gian đến âm thanh đầu tiên quyết định trải nghiệm sản phẩm nhiều hơn Elo, và đây là con số ít được tài liệu hóa nhất trong danh mục.

Sự phân chia trung thực

Chọn Q​wen-Audio-3.0-T​TS-Plus nếu sản phẩm nói tiếng Trung — tiếng Quan Thoại với các giọng vùng miền, tiếng Quảng Đông, hoặc chuyển mã giữa tiếng Trung và tiếng Anh — hoặc nếu bạn cần các thẻ chỉ dẫn cách thể hiện chi tiết trong bản ghi lời nói và muốn một nhà cung cấp có gói rẻ hơn đã được ghi rõ trong tài liệu, nằm dưới sản phẩm chủ lực. Nó có giá cao hơn Voxtral 48% và vượt trội một cách đo lường được trên cả hai bảng xếp hạng; đối với công việc ưu tiên tiếng Trung, đó là khoản tiền đáng chi.

Chọn Voxtral 3 T​TS nếu sản phẩm hỗ trợ các ngôn ngữ châu Âu, nếu lưu trú dữ liệu tại EU là yêu cầu mua sắm, hoặc nếu bạn đang xây dựng tác nhân giọng nói và muốn tổng hợp giọng nói đi kèm với SDK tác nhân và mức giá công bố theo phút. Bạn đánh đổi 47 Elo và nhận được bản đồ ngôn ngữ bao phủ các thị trường bạn bán hàng.

Hãy chọn cả hai — và định tuyến giữa chúng — nếu đối tượng của bạn thực sự trải rộng trên cả hai bản đồ. Theo cách đọc Elo trên mỗi đô-la, hai lựa chọn đủ sát nhau đến mức thế hòa nên được phân định dựa trên độ phủ, chứ không phải điểm số, và một sản phẩm có khách hàng ở Quảng Châu và Gdańsk không có một câu trả lời đúng duy nhất.

Điều đáng theo dõi là liệu có nhà cung cấp nào công bố bảng phân tích theo từng ngôn ngữ hay không. Khoảnh khắc một bên làm vậy, so sánh này sẽ không còn là tranh luận về bản đồ nữa mà trở thành tranh luận về số đo, và đó là kiểu tranh luận tốt hơn để có.