GPT-Live-1 vs Qwen-Audio-3.0-TTS：对话与旁白不是同一个行项目

把 GPT-Live-1 和 Qwen-Audio-3.0-TTS 按每音频小时的价格并排比较，差距显得极为明显：Aliba​ba 的 Qwen-Audio-3.0-TTS-Plus 以每百万字符 27.6 美元合成语音，约合每小时 1.66 美元的音频，而 Ope​nAI 的 GPT-Live-1 对一小时连续开放线路收费 3.00 美元。旁白更便宜，所以旁白胜出——只不过这是一个错误的比较，而它之所以错误，才是任何人都能从这场对比中得到的最有用的收获。Qwen-Audio-3.0-TTS 是文本转语音模型。GPT-Live-1 是全双工对话模型。其中一个会朗读你写下的内容。另一个则必须每秒多次判断你是否已经说完。

一个渲染，一个对话

文本转语音接收文本并返回音频。没有输入音频，没有轮次可接，没有被中断的概念，也没有可返回的转写文本，因为模型从未听到任何东西。它的成本模型就像一台印刷机：纸页进、音频出，质量和吞吐量是唯一重要的两个数字，而且这两者在发布前都可以测量。

全双工对话模型在输出音频的同时处理传入的音频。它的工作涵盖对话中与文字无关的部分——用户停顿时就停顿，遇到「yeah」这类附和语时继续推进，而不是把它当成打断；说到一半就主动让出话轮；以及在不中断话题的情况下触发工具调用。GPT-Live-1 能完成所有这些，并随会话一并返回语音识别转写文本——它能做到这一点，靠的是全程都在倾听。

如果你的产品会朗读文章、将文档转换为音频或为视频配音，那么 GPT-Live-1 就是错误的工具，而且按小时计费的价格还要贵四倍。如果你的产品要接听电话，Qwen-Audio-3.0-TTS 只是整条流水线的三分之一，这条流水线仍然需要 ASR 模型和语言模型才能构成一场对话。

在 Qwen-Audio-3.0-TTS 真正是最佳答案的场景中

Aliba​ba 的模型能立足，并非营销使然。Plus 版本由 Aliba​ba 的 Tongyi Lab 于 2026 年 7 月 20 日发布，并通过 Aliba​ba Cloud Model Studio 以托管式闭源 API 的形式对外开放；它一经问世便登上 Artificial Analysis 文本转语音竞技场的榜首。不过，排行榜是一个不断变动的目标，而这一榜单已经变了：截至 2026 年 9 月，Qwen-Audio-3.0-TTS-Plus 在 Provider Voice Arena 上以 1,232 的 Elo（基于 2,306 个样本）位列第四，落后于 1,275 的 Cartesia Sonic 3.6、1,244 的 Inworld Realtime TTS-2 和 1,233 的 Speechify 的 Simba 3.2——这三个模型分别出自 8 月和 7 月，且都在它之后推出。在二十多个模型中排名第四，虽然领先优势已失，但价格优势仍在，这仍然是一个强势位置。只不过，它不是发布报道所描述的那个位置。

它在其覆盖的16种语言中有10种处于领先地位，新增了20个中文方言区，支持基于短样本的语音克隆，包括跨语言克隆，并带有86个内联情感和表达标签。

这些注意事项已经足够具体，可以据此制定计划。

• 吞吐量 — Plus 每秒大约生成 16 个字符，而 Simba 3.2 为 30.2，Gemini 3.1 Flash TTS 为 27，Sonic 3.5 约为 120。对于批量渲染来说这一点无关紧要；但对于实时产品而言，正是这个数字决定了你的缓冲区大小。

• 价格文档——被广泛引用的每百万字符 27.6 美元这一数字，并非在每个快照中都符合 Alibaba 自家定价页面上的内容，后者在某些时点曾为两个档位都列出了更低的数字。在做预测之前，请在账户层面核实当前数字，而不是排行榜上的数字。

• 语音库——尽管支持 16 种语言，公开的预设音色几乎全是中文和英语。其余十四种语言要通过克隆流程才能获得，而不是开箱即用。

• 功能限制 — 86 个内联情感标签仅在单向流式模式下有效，因此这种富有表现力的控制并非在所有集成路径中都能保留。

• 档位 — Flash 面向实时场景，目标首包延迟约为 300 毫秒；Plus 则是质量档。它们是同名却截然不同的产品，选错一个是新手常犯的第一个错误。

级联法案的真实版本

以下是按小时对比所遗漏的内容。一个基于 TTS 模型构建的对话产品是一条级联链路：ASR 模型将呼叫者的语音转成文本，语言模型决定说什么，TTS 模型把它说出来。三家供应商、三张账单、三份会累加的延迟预算，以及每个边界处的一次交接，而韵律正是在那里消亡。TTS 这一环节每小时音频可能要花 1.66 美元。另外两个环节才是钱和错误真正所在——而且级联模型听不到自己已经在说的句子中间的停顿。

GPT-Live-1 将三个计费环节合并为一次会话和一个计量表，语音部分为每分钟 $0.05，而推理后端则单独计费。有两个细节让这笔账单保持名副其实。会话初始化会预先计收 15 秒语音，这 15 秒用于抵扣后续时长，而不是叠加在其上。此外，后端是第二个计量表：每一次委派的推理调用、工具调用和网络搜索，都按该模型的正常费率计费，因此若把委派指向一个每轮都要搜索的前沿推理模型，就会在廉价的语音层背后产生一笔昂贵的调用。

独立评测榜单对两者的评价颇具启发性，恰恰因为它们衡量的是不同维度，而且对各自的评测对象都不加粉饰。Qwen-Audio-3.0-TTS-Plus 在质量上排名第四，在吞吐量上则接近垫底。GPT-Live-1 在 Artificial Analysis 的语音到语音指数（Speech to Speech Index）十一款模型中位列第七，得分 69.8%——落后于它所取代的 GPT-Realtime-2.1（73.9%）——而其计费却处于该指数每小时输入音频成本区间的低端，为 4.42 美元，相比之下 GPT-Realtime-2.1 为 10.75 美元。两款模型都未能拿下各自类别的头名。两者都比它们本要超越的对象更便宜。

第二层计量正是路由层从优化手段转变为设计决策的地方。OrcaRouter 既不带 GPT-Live-1，也不带 Qwen-Audio-3.0-TTS——这两处的语音层都超出我们的掌控范围，我们不做任何路由。推理环节则不然。来自十一家上游提供商的大约 190 个模型位于一个密钥之后，按提供商标价、零加价，而且提供商降价当天就能生效，而不是等到下一次合同续签。对于级联而言，这直接覆盖了中间环节：在一个端点后保留两个 ASR 选项和三个推理器，在真实流量上让它们互相对比，并让自动故障转移吸收上游的糟糕时段而不掉线

同意问题指向相反的方向

声音克隆是 Qwen-Audio-3.0-TTS 最具商业价值的能力，也是其最大的合规风险面。仅需十秒参考音频，就能跨语言复现某个说话人的声音——这对本地化是颠覆性的，但在任何涉及身份的场景里都是隐患。OpenAI 发布 GPT-Live-1 时完全没有克隆功能，也没有任何自定义音色——API 只有 12 种音色可选，就这么多。

这种不对称在功能对比中很容易被略过，在风险审查中却很难被略过。一个只会用十二种供应商声音中的一种说话的产品，对“那是谁的声音，谁同意使用它”的回答，要比一个能从样本复现任意声音的产品简短得多。如果你需要克隆，管线决策已经替你做好了，问题就变成：由什么来治理它。如果你不需要，那么 GPT-Live-1 的限制就值得一读，把它当作一种你本不必自行构建的控制措施。

该买哪一个

购买 Qwen-Audio-3.0-TTS，如果输出是内容：旁白、本地化、无障碍音频、配音，或任何文本先于音频存在、且以每小时渲染质量作为衡量指标的工作流。如果需要实时播放，请从 Flash 开始；当声音本身是交付物时，转到 Plus；并将克隆工作流与预设音色分开定价。

如果输入的是人，就买 GPT-Live-1。客服热线、预约流程、接待面谈，任何用户的第一句话在模型话说一半时就插进来、系统必须表现得像倾听者而非主讲人的场景，都适用。它的每音频小时成本更高，而且是这两者中唯一能被中途打断的。

这两者作为互补的情况远多于作为竞争对手：许多产品既要 Qwen-Audio-3.0-TTS 朗读文档，也要一个双工模型来处理随后的通话。它们不该共用的，是成本模型。按音频小时计费只对其中一方才是正确的指标。