AssemblyAI-TTS-1 与 Qwen-Audio-3.0-TTS：标题里的模型并不是该买的那一款

这个对比提到Qwen-Audio-3.0-TTS，而这是一个值得在引用任何数字之前先修正的问题。阿里巴巴于2026年9月23日将 3.0 从其旗舰语音模型的位置上退役，当时 Qwen-Audio-3.1 系列在 Apsara Conference 发布，并将Qwen-Audio-3.1-TTS-Plus置于其自家 TTS 产品线的首位。因此，这场对比的诚实版本是三个模型，而不是两个——AssemblyAI-TTS-1，这是按每百万字符 15 美元计费的闭源端点，于2026年10月27日正式全面可用，与 Qwen 语音技术栈的两代产品同场比较——而答案会取决于你实际指的是哪个 Qwen。如果你的合同、集成或采购说明写的是 3.0，请阅读下一节。如果写的是 3.1，请跳过。

首先，更正一下：3.0 并不是当前的 Qwen

Qwen-Audio-3.0-TTS 于 2026 年 7 月 20 日以两个档位发布。Flash 专为实时场景打造，首包延迟约为 300 毫秒；Plus 是质量档，通过阿里云 Model Studio 的价格为每百万字符 27.59 美元。该系列覆盖 16 种语言以及 20 个中文方言区，支持 86 种内联控制标签（如 [angry] 和 [giggles]），并支持自由形式的自然语言风格指导，具备抗噪零样本克隆能力，以 48 kHz 输出，并可单次合成最长三分钟的内容。它是闭源且仅以托管方式提供的——不提供开放权重，这是对阿里巴巴此前开放权重的 Qwen3-TTS 的有意背离。

十周后，3.1 技术栈在 ASR、TTS、TTS-Next 和实时场景中全面取代了它。3.1 的 TTS 档位保留同样的 8 音色阵容，在 Artificial Analysis 价格栏中标价为每百万字符 19.3 美元，也是自 9 月下旬以来大多数 Qwen 对比实际所指的入门版本。实际来看：如果你已经完成集成，3.0 仍然可调用；新买家得到的报价则是 3.1；任何把 3.0 的 7 月得分与 10 月发布放在一起却不说明这一点的文章，都是在向你兜售过时的对比。

这块板，读一次，三者共用

Artificial Analysis 的 Provider Voice Arena，读取于 2026 年 10 月 30 日，因此下文每一行均采用同一套评估工具：

• Qwen-Audio-3.1-TTS-Plus — 第三，1,305 Elo，2,281 个样本，发布于 2026 年 9 月。

• Qwen-Audio-3.0-TTS-Plus — 排名第七，1,269 Elo，2,794 个样本，发布于 2026 年 6 月至 7 月。

• AssemblyAI-TTS-1 — 第十四名，1,227 Elo，1,632 个样本，发布于 2026 年 10 月。

• ElevenLabs 的 Eleven v4 Turbo 和 Eleven v4 以 1,336 和 1,334 位列第一和第二——这是本文并不涉及的参照基准。

AssemblyAI-TTS-1 与当前 Qwen TTS 档位之间的 78 分差距确实存在，但这并不是这场对比中最大的差距——在同一读数下，ElevenLabs 比 Qwen 高 31 分，比 AssemblyAI 高 109 分。更重要的是，一个才发布四天的模型仅有 1,632 个样本的一行数据，证据还很薄弱；而且那个榜单上的区间足够宽，重新跑一次就可能让 AssemblyAI-TTS-1 变动几个名次，而模型本身没有任何改变。

每秒十六个字符就是决定这件事的数字。

这里有一项测量，几乎没人会放进 Qwen 的对比里，而它恰恰对 AssemblyAI-TTS-1 所专为的那项任务至关重要。

Artificial Analysis 测得 AssemblyAI-TTS-1 的合成速度为每秒 162 个字符。按照相同的测量方式，Qwen-Audio-3.0-TTS-Plus 每秒生成约 16 个字符——在竞技场排名靠前的模型中是最慢的。3.1 档在这方面有所改进，但生成速度仍是该系列的弱项，而非强项。

现在换算成实时智能体唯一关心的单位。普通语音大约每分钟 900 个字符，也就是每秒 15 个字符。一个每秒生成 16 个字符的模型，在舍入误差范围内，实时因子就是 1.0——它勉强能跟上一路播放流，但如果没有更多硬件支撑，就无法同时服务两路并发对话。一个每秒 162 个字符的模型，在相同单位算力下大约有十路流的余量。

这重新界定了 Elo 差距的性质。78 分的盲测偏好劣势，是一个你可以用自有语料库来回答的质量问题。而十倍的吞吐量劣势则是个容量问题，它会以账单的形式落到你头上——因为解决办法就是为每个并发调用方投入更多 GPU 秒，而在阿里云的托管定价下，这并不是你能掌控的杠杆。

两点说明，直白讲清。这些是两家供应商在同一台仪器上测得的结果，并非受控的直接对比；生成吞吐量取决于硬件、批处理和序列长度。而 Qwen 的 12.5 Hz 语音分词器——刻意设置得低于通常的 50–75 Hz——正是使其在 Flash 档位上的首包延迟保持在接近 300 ms 的原因。Qwen 针对首次出声前的延迟做了优化。AssemblyAI 则针对轮次开始后的每秒字符数做了优化。这些是不同的取舍，而电话智能体对两者都有感受。

语言和控制标签正是 Qwen 还远未被击败的领域

如果吞吐量论点能决定呼叫中心案，那么语言论点就能决定其余一切，而且这一点并不微妙：

• 覆盖范围 — {{1}}Qwen-Audio-3.0-TTS{{/1}} 支持 16 种语言和 20 个中文方言区；{{2}}AssemblyAI-TTS-1{{/2}} 最初发布时支持六种语言（英语、西班牙语、法语、德语、意大利语、葡萄牙语）及其内部的多种口音。

• 方向 — Qwen 提供 86 个内联控制标签以及自由形式的风格提示；AssemblyAI-TTS-1 在发布时没有情感标签、没有 SSML、没有速度参数，也没有发音词典，而且其自己的帖子称，书面不流畅表达会按原样朗读，而不会被演绎处理。

• 克隆 — Qwen 提供抗噪的零样本克隆；AssemblyAI 支持基于 24 秒样本的即时克隆，并配有说话人授权确认步骤。两者均未提供经过训练的专业克隆档位，该档位是 ElevenLabs 的产品，而非 Qwen 或 AssemblyAI 的产品。

输出——Qwen 以 48 kHz 合成，单次处理上限三分钟；AssemblyAI 则以 8–48 kHz 的 PCM、µ-law 或 A-law 流式传输，并提供词级时间戳和打断取消消息，这正是电话系统实际所需的基础管线。

• 开放性——两者均不公开权重。两者均为仅托管、区域内、由厂商定价。

这张表的解读很明显：AssemblyAI-TTS-1 并非多语言产品，它也没打算假装是。如果你的智能体需要说日语、韩语或汉语普通话，那么 Qwen 系列就是答案，本文到此为止。如果你的智能体是用英语与英语来电者交流，偶尔用西班牙语，那么六种语言就足够了，而 Qwen 的能力清单是在为你的提示词永远不会用到的功能付费。

每小时价格，三种方式

使用与本系列其他部分相同的估算——每分钟约900个语音字符，因此每小时大约54,000个——每小时合成成本为：

• AssemblyAI-TTS-1 — 每百万字符 15 美元，包含所有语音、语言和克隆功能，无限并发且不收取任何费用：每小时音频约 0.81 美元。

• Qwen-Audio-3.0-TTS-Plus — 阿里云百炼上每百万字符 27.59 美元：约合每小时 1.49 美元。

• Qwen-Audio-3.1-TTS-Plus — 据 Artificial Analysis 记录，每百万字符 19.3 美元：约合每小时 1.04 美元。

请注意，你自己就能在榜单上看到的差异：Artificial Analysis 将 Qwen 两代模型都列为每百万字符 19.3 美元，而阿里巴巴 Model Studio 上 3.0-Plus 的卡片标价是 27.59 美元。这两者是两种口径——供应商标价和榜单归一化——而且一旦承诺用量定价进入讨论，它们都不是你最终会收到的账单金额。上文的每小时数据均按各数字所标注的口径使用，因此请将 3.1 费率视为比较单位，将 3.0 费率视为最接近标价的东西。

AssemblyAI 是三者中最便宜的，比当前 Qwen 档位便宜 22%，比本文标题中的那个便宜 45%。但真正花钱的地方不在价格列，而在吞吐量列，因为实时因子为 1.0 的模型每支持一个并发调用者所需的硬件，大约是每秒处理 162 个字符的模型的十倍；而托管服务的按字符定价会把这一倍数隐藏在提供商的容量规划中，直到高峰时以限流或延迟的形式暴露出来。

路由器在这里实际添加了什么

对于一个面临这一决策的团队来说，现实可行的部署方案并不是单独采用其中任何一个模型，而是：英语对话走便宜、快速的那个端点，非英语对话走 Qwen 层级，并根据调用方的语言进行切换——这是一个路由问题，而不是模型问题。这正是 OrcaRouter 为技术栈其余部分所覆盖的那一层：一个 API 即可访问 200 多个模型，按供应商标价、0% 加价，当供应商服务质量下降时自动故障转移，以及一套路由 DSL，可将多个模型组合在单个端点之后，而无需维护多份合同和多个 SDK。

准确地说，它意味着什么、又不意味着什么：目前，AssemblyAI-TTS-1 和任何 Qwen-Audio TTS 档位都不在 OrcaRouter 目录中。我们路由的语音模型是 OpenAI 的 tts-1、tts-1-hd 和 gpt-4o-mini-tts，以及 Google 的 Gemini TTS 预览版。因此，路由论点适用于编写你的 TTS 所朗读句子的那个语言模型，也适用于你之后添加、且我们确实提供的任何语音模型——不适用于这两个。

这个对比实际上是面向谁的

如果你的智能体必须会说六种以上语言，如果你需要的是有方向性的演绎而不是平铺直叙的朗读，或者如果你已经在阿里云体系内、且合同就是约束条件，那就购买 Qwen-Audio-3.1-TTS-Plus——而不是 3.0。它在盲测榜上排名第三，费用为每小时 1.04 美元；在正式决定前，应该用你自己的并发目标来测试它的生成速度。

如果工作负载是大规模、以英语为主的电话对话，就选 AssemblyAI-TTS-1：统一 15 美元费率，无限并发且不收取额外费用，每秒 162 个字符的余量，内置词级时间戳和打断取消功能，独立测得的 159 毫秒延迟可与供应商宣称的 90 毫秒相权衡。同时要接受：你将放弃十种语言、86 个控制标签，以及用词典修正发音错误的缩写的任何能力——而且它最弱的独立子项得分，即简写展开上的 73.8%，恰恰是来电者会注意到的那种失败。

要避免的错误，正是这篇文章标题所招致的那种：在十月的决策中引用七月的模型评分，然后在集成时才发现，当初向你报价的那个层级，正是已被替换掉的那个。在把任何模型与它进行比较之前，先确认你实际买到的是哪个 Qwen。