Grok Voice 3.0 vs Qwen-Audio-3.0-TTS：其中一个能听见你，而且它不是更便宜的那一个

把两份价目表并排放在一起，阿里的模型以三倍的优势胜出。Qwen-Audio-3.0-TTS合成语音的价格为每百万字符 27.6 美元，约合每小时音频 1.66 美元，而且它如今就已通过 Alibaba Cloud Model Studio 以托管 API 的形式提供。Grok Voice 3.0由 SpaceXAI 于 2026 年 10 月 14 日发布，按每分钟音频 0.08 美元计费——即每小时 4.80 美元——外加每单位文本输入 0.004 美元。更便宜的那个产品是旁白，而旁白听不见你说的任何话。Qwen-Audio-3.0-TTS 是一个文本转语音模型。Grok Voice 3.0 是一个全双工语音到语音模型，它每秒要多次判断你是否已经把话说完。按每小时音频来计价，只对其中一个是恰当的衡量标准。

这一段话就是整个对比，而它下面的全部内容才是决定部署的部分：一旦把围绕它的流水线各个环节也算进去，每一个的运行成本是多少。

一个渲染脚本。一个接听电话。

文本转语音接收文本并返回音频。没有输入音频，没有轮次可言，没有被打断的概念，也没有转录文本返回，因为模型从头到尾什么都没听到。它的成本模型就像一台印刷机——页面进，音频出——唯一重要的两个数字是质量和吞吐量，而这两者都可以在你上线之前测量。

全双工模型在生成输出音频的同时处理传入的音频。它的职责包括对话中与字词无关的那些部分：在来电者停顿时停顿，把附和声当作继续而非打断，在句子中途让出话轮，以及在不中断对话的情况下触发工具调用。Grok Voice 3.0 能完成所有这些，并在会话的同时返回转录文本，而这只有因为它全程都在聆听才做得到。

如果你的产品要朗读文章、把文档转换为音频，或为视频配音，那么 Grok Voice 3.0 就是错误的工具：它按三倍的每小时费率收费，却根本做不了这项工作，因为它无法接收脚本并生成文件。如果你的产品要接听电话，Qwen-Audio-3.0-TTS 只是一条流水线的三分之一，而这条流水线还需要语音识别和语言模型才能变成对话——这些环节每一个都会增加成本、延迟，以及一个韵律消亡的边界。

Qwen-Audio-3.0-TTS 真正强大的地方

阿里巴巴这款模型的立足点不是营销。该 Plus 版本由阿里巴巴通义实验室于 2026 年 7 月 20 日发布，并以托管式闭源 API 的形式提供，甫一推出便登上 Artificial Analysis 文本转语音竞技场的榜首。榜单会变动，而这一榜也确实变了：截至 2026 年 9 月，Qwen-Audio-3.0-TTS-Plus 在 Provider Voice Arena 上以 2,306 个样本、Elo 1,232 位列第四，落后于 Elo 1,275 的 Cartesia Sonic 3.6、1,244 的 Inworld Realtime TTS-2 和 1,233 的 Speechify 的 Simba 3.2——这三款 7 月和 8 月的模型都在它之后推出。在二十多个模型中排名第四，领先地位不再，但价格优势依然完好，这仍是一个强势位置。只不过，这并非发布报道所描述的位置。

• 语言覆盖范围——涵盖16种语言，其中10种设有负责人岗位，另加20个汉语方言区。

• 语音克隆——基于短参考样本，包括跨语言克隆。

• 表现力控制 — 86 个内联情感与演绎标签。

• 吞吐量 — Plus 大约每秒生成 16 个字符。对于批量渲染而言，这无关紧要；但对于实时产品来说，这个数字决定了你的缓冲区大小。

• 层级 — Flash 的目标是在实时播放中实现约 300 毫秒的首包延迟；Plus 则是质量层级。它们是共享同一名称的两款不同产品，选错是常见的首要错误。

• 文档缺口——被广泛引用的每百万字符 27.6 美元，并非在每个快照中都符合阿里巴巴自己的定价页面，该页面有时对两个档位列出的数字都更低。在预测之前，请以账户层面的数字为准，而不是排行榜上的数字。

有两点值得提前纳入规划。尽管支持十六种语言，但公开的预设音色几乎全部为中文和英语，其余十四种需通过克隆工作流实现，而非开箱即用。此外，86 个内联情感标签仅在单向流式模式下生效，因此这种表现力控制并非在每一条集成路径上都能保留。

还有一个版本需要多加留意。阿里巴巴现在列出了 Qwen-Audio-3.1-TTS 这一代，以及一个单独的 Qwen Audio 3.0 Realtime 系列，而它们与 Qwen-Audio-3.0-TTS 并不是同一个模型——Realtime 产品线是语音到语音产品，出现在一个完全不同的排行榜上。任何将“Qwen Audio 3.0”与对话模型进行比较的人，都应该核实自己实际看的是阿里巴巴自家价目表中的哪一行。

Grok Voice 3.0 的费用是多少，以及它无法解决什么

Grok Voice 3.0 于 2026 年 10 月 14 日发布，价格为每音频分钟 0.08 美元，外加每文本输入 0.004 美元，与其所取代的模型相比保持不变；如今 grok-voice-latest 解析到它，而 grok-voice-2.0 被标记为已弃用。在 Artificial Analysis 的 Speech to Speech Index 上，它以 86.9 位居榜首，其最高分项是在 τ-Voice 上的智能体性能，达到 71.6%，而前代为 56.5%——这是本次发布中最大的单项变动。

延迟这项指标，是这两个模型终于共用同一个单位的地方。Grok Voice 3.0 公布的首个音频输出时间为 0.81 秒，是前沿对话模型中最快的数字。Qwen Audio 的 Flash 层级目标大约是 300 毫秒的首个数据包。这两者并不是同一种测量：300 毫秒是你已经拿到文本的渲染任务的首个数据包时间，而 0.81 秒是人类停止说话后开始说话的时间，其中还包括判定“轮到你说了”的决策。大约两倍半的延迟，换来的是能够被打断的能力。这值不值得，完全取决于另一端是不是一个人。

Grok Voice 3.0 还带来了 TTS 模型会留给你的那些语音产品组成部分：双工会话、服务端轮次检测、会话作用域工具（让智能体能在对话中途调用后端），以及随之返回的转录文本。它没有带来脚本朗读模式、被文档说明为跨语言的克隆，或作为功能卖点宣传的十六种语言。其可服务的用例比 TTS 模型更窄，而且其每小时数字更高。

级联法案的真实版本

一个基于文本转语音模型的对话式产品是一条级联流水线：语音识别模型把来电者的语音转成文本，语言模型决定该说什么，然后由 TTS 模型把它说出来。三个供应商、三份账单、三笔会叠加的延迟预算，以及每个边界处的一次交接。TTS 这一段可能每音频小时花费 1.66 美元。另外两段才是成本和错误真正所在，而且这条级联无法在它已经在说的一句话中间听到停顿。

Grok Voice 3.0 将三条支线合并为一个会话和一个计量表——但有两个细节让账单保持真实。它的工具调用以及任何被委派的推理，都会在响应它们的任意后端上运行，并按该模型自身的费率计费；因此，把代理指向一个每轮都进行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。而且，在每月 300,000 分钟时，仅语音这一半的价目表金额就是 $24,000。

第二个衡量维度，正是这场比较从模型选择转变为架构选择的地方，也正是路由层得以立足之处。OrcaRouter 既不承载 Grok Voice 3.0，也不承载 Qwen-Audio-3.0-TTS；这两种情况下的语音层都超出了我们的触及范围，我们一概不做路由。而推理这一环则不然。来自十几家以上上游的两百零七个模型，统一置于一个密钥之后，按提供商标价、零加价提供，而且提供商降价当天就能生效，而不必等到你下一次合同续约。对于一条直接覆盖中间环节的级联链路：把一个端点背后的两个语音识别选项和三个推理模型放在一起，让它们针对真实流量进行 A/B 测试，并让自动故障转移在不中断通话的情况下吸收上游故障。当单个推理模型不够用时，路由 DSL 可将多个模型组合为一次调用。

在一个问题中选择

如果产出的是以下内容：旁白、本地化、无障碍音频、配音，或任何文本先于音频存在、且以每渲染小时质量作为衡量指标的工作流，那就购买 Qwen-Audio-3.0-TTS。如果需要实时播放，先从 Flash 起步；当语音本身就是交付物时，再转到 Plus，将克隆工作流与预设音色的定价分开计算，并在据此制定预测之前，先在账户层面确认每百万字符的费率。

如果输入的是真人，就购买 Grok Voice 3.0。它适用于支持热线、预订流程、接诊访谈，以及任何来电者的第一个音节在模型说到一半时就已经到来、系统必须表现得像倾听者而不是播放器的场景。它按音频小时计费更贵，无法读取你的文档，并且是两者中唯一能够被中断的。

许多真实产品两者都需要——一个生成音频资产的渲染模型，以及一个处理这些资产所属通话的双工模型。它们不该共用的是一个成本模型。对这两者之一而言，每音频小时才是正确的计量单位；而另一个的真实成本，是你因不构建级联而省去的那套流水线。