Voxtral 3 TTS 与 Qwen-Audio-3.0-TTS-Plus：两种低成本语音，两张不同的地图

这两款模型都比前沿模型便宜，而且都处于前沿之外，这使得在Voxtral 3 T​TS与Q​wen-Audio-3.0-T​TS-Plus之间作选择，成为一个关于覆盖范围而非质量的问题。在 Artificial Analysis 的 Provider Voice 排行榜上，两者相差 47 Elo——Q​wen 为 1,264（第 7），Mistral 的新模型为 1,217（第 13）——它们的价格分别为每百万字符 19.31 美元和 13.00 美元。这两个差距都不具有决定性。真正具有决定性的是，A​libaba 的模型是围绕中文构建的，包括二十个方言区和八十六个内联表达标签，而 Mistral 的模型则是围绕欧盟的二十四种官方语言构建的。如果你的产品会说普通话、粤语或闽南语，那么争论到语言列表这里就结束了。如果它会说葡萄牙语、波兰语或荷兰语，那么也会在语言列表这里结束，只是方向相反。像此次发布这样的发布背后，有据可查的 AI 故障和智能体事件都收集在 the OrcaRouter AI Incident Archive中，其中每条记录都带有自己的来源、严重程度、置信等级和有争议标记。

这些数字，以及它们承载着多大的分量

• 提供商语音 Elo — Q​wen-Audio-3.0-T​TS-Plus：1,264。Voxtral 3 T​TS：1,217。这两项数据均来自 Artificial Analysis，2026 年 10 月 21 日。

受控语音 Elo — Qwen-Audio-3.0-TTS-Plus：1,125（#7）。Voxtral 3 TTS：1,066（#14）。当两者都被克隆到相同的八个参考音色上后，差距从 47 分扩大到 59 分，这意味着阿里巴巴的优势在于合成引擎，而不在其音色库。

• 每 100 万字符价格 — Q​wen-Audio-3.0-T​TS-Plus 为 $19.31，Voxtral 3 T​TS 为 $13.00。按每分钟口语约 900 字符计算，即每小时 $1.04 对比 $0.70。

• 语言 — A​libaba：16 种语言以及 20 个中文方言区。Mistral：35+ 种语言和 50+ 种方言，并提供 18 种语言的预设。

• 声音克隆 — 阿里巴巴：基于参考音频的克隆，包括跨语种音色迁移。Mistral：基于 30 分钟音频进行“Pro Voice”适配。两者都不提供 Cartesia 所售卖的十秒即时克隆。

• 权重——两端均为闭源。两者都是仅提供 API 的产品。

• 延迟——阿里巴巴分别为其识别模型和实时语音模型公布了首字符流式指标；Mistral 未公布 Voxtral 3 TTS 的首音频时间。这两个数字都无法跨厂商比较，而且对于语音合成而言，二者都不是独立测量值。

关于 Elo 数值有一点需要说明：读取这些数据时，Voxtral 3 TTS 才上榜一天，有 1,619 次比较，而 Qwen 有 2,399 次。在该样本量下，重叠置信区间内的 47 分差距只是一种方向，而非定论。应将其理解为“Qwen 可能略微领先”，而不是一个实测的 47 分。

阿里巴巴的模型在哪里胜出，而且这并非一场微弱的胜利

中文覆盖是首要且最大的差异，而“20个方言区”究竟意味着什么，值得精确说明。阿里巴巴的语音产品线面向国内市场构建，在那里，同一种书面语对应着多种语音，而仅支持普通话的模型会把这些语音处理得面目全非：粤语、四川话、吴语、闽南语等。Qwen-Audio-3.0-TTS-Plus 原生支持这些地区，而阿里巴巴的 3.1 代产品新增了跨语言音色迁移——让同一种音色跨越普通话、粤语、英语和日语——如果你是在为同一位主持人做本地化，而不是按市场分别选角，这正是关键功能。

第二项是 token 级别的表达控制。Q​wen-Audio-3.0-T​TS-Plus 从其所属代际继承了一套有文档记录的 86 个内联表达标签，让脚本可以直接在转录文本中携带情感、节奏和强调标记。Mistral 的 Voxtral 3 T​TS 提供对情感、节奏和强调的提示词级控制，以及音素级发音和词汇库——意图上相近，但纸面上 A​libaba 的标签词汇表是两者中更细粒度的。

第三点是 A​libaba 推出了一个更便宜的同类产品。3.1 版本更新使 T​TS 成为 Flash 级 SKU，因此认为 3.0-Plus 层级太贵的团队，在同一供应商内部就有了一条有据可查的降级路径，价格大致与 Voxtral 3 T​TS 相同。对于“请再便宜点”的需求，Mistral 的答案是同一模型或换一家供应商。

阿里巴巴模型较弱的地方同样明显：16 种语言只是很小的一张地图。如果你的产品目录使用波兰语、土耳其语、越南语或葡萄牙语，Q​wen-Audio-3.0-T​TS-Plus 就无法覆盖你，再多的 Elo 也弥补不了这一点。

Voxtral 3 T​TS 胜出之处

{{1}}直截了当地说，亚洲以外的语言覆盖范围很广。{{/1}} {{2}}宣称支持 35 种以上语言和 50 种以上方言，并且有一个面向欧洲采购的产品系列：Mistral 表示，其转写模型以及欧盟、美国和全球 API 端点均覆盖全部 24 种欧盟官方语言，同时为需要控制音频处理地点以及是否保留音频的买家提供私有基础设施上的自部署方案。{{/2}}对于欧洲公共部门或医疗保健买家来说，这不是打破平局的因素，而是硬性要求。

第二个是配套技术栈。Voxtral 3 TTS 并不是作为单一端点出售的：它附带基于 LiveKit 的智能体 SDK，支持 SIP、WebRTC 和 IVR，声称智能体轮次延迟低于一秒，并为整个闭环给出每分钟价格——搭配 Mistral Small 4 推理时为 0.04 美元，搭配另一种推理模型时为 0.08 美元。Alibaba 也有实时语音模型，但 Mistral 的模型被记录为一种捆绑方案，并公布了每分钟价格，这比按 token 计费的价目表更容易构建商业案例。

第三点是价格，不过优势很有限。13美元对19.31美元相当于33%的折扣，放到规模上这就是实打实的数字：每月一万小时大约是7,000美元对10,400美元。这算不上一次重新定价事件，但也绝非无关紧要。

在这一对局中，路由方案的说服力比大多数对局都更强。

大多数“模型对模型”的对比文章最后都会以“选一个”收尾。这一对是真正的组合问题，因为两者的覆盖图在边缘几乎不重叠，而且两者都足够便宜，可以并行运行。一个欧洲电商平台要用八种欧盟语言叙述产品页面，同时还要服务粤语客户群，就需要两者兼用。一家为带普通话对白和法语字幕的剧集做配音的配音公司也是如此。

同时运行两者时，真正麻烦的不是模型选择，而是底层管线：两家供应商、两套认证机制、两种计费关系，两组故障模式。OrcaRouter 正是为这种情形而生——一个与 OpenAI 兼容的密钥即可覆盖 200 多个模型，供应商目录价按 0% 加价透传，因此供应商调价当天即可生效；还有一套路由 DSL，可以把带语言标记的请求发送给覆盖该语言的模型。截至本文撰写时，Voxtral 3 T​TS 和 Q​wen-Audio-3.0-T​TS-Plus 都不在 OrcaRouter 的目录中，而“一个 API 覆盖 200 多个模型”说的是我们实际运营的目录，不是这两者——目前，这两者都要通过各自供应商的 API 以及若干第三方平台来访问。无论如何，设计要点依然成立：如果你的语言矩阵需要两家供应商，你会希望这种拆分存在于一条路由规则中，而不是存在于两条代码路径里。

两家供应商均未发布的内容

有三处空白，而这两种情况下都是同样的这三处，这说明了这个市场层级仍然多么年轻。

没有按语言划分的分数。两个 Elo 数值都是汇总数据。一个模型可能总体得分为 1,264，中文表现出色而法语表现平平；排行榜无法告诉你这一点，两家供应商也都不发布按语言细分的数据。对于任何取决于特定语言质量的决策，唯一可靠的测试就是你自己的语料库，并由一位不知道哪个样本由哪个模型生成的母语者来阅读。

没有长篇耐力数据。Arena 片段只有几秒。两个模型均未记录其 TTS 端点的最大生成长度，也都没有发布十分钟连贯性测试——而十分钟正是一本有声书成立与否的长度。Qwen 的 3.1 代将长篇场景生成移入一个单独的 -Next 模型，而不是扩展 TTS 端点，这等于含蓄承认基础模型并非长篇工具。

没有独立的延迟测量。Mistral 没有公布 Voxtral 3 TTS 语音合成的任何数据；Alibaba 公布的是厂商数据。Artificial Analysis 报告称，Voxtral 3 TTS 的吞吐量中位数为每秒 112 个字符，但在同一页面上没有报告 Qwen-Audio-3.0-TTS-Plus 的吞吐量。在实时语音智能体中，首音频时间比 Elo 更能决定产品体验，而它是该类别中记录最少的指标。

诚实的拆分

选择 Q​wen-Audio-3.0-T​TS-Plus，如果该产品要讲中文——带地区口音的普通话、粤语，或中英文语码转换——或者你需要细粒度的转录内演绎标签，并且希望供应商在旗舰产品之下有一个有文档说明的更便宜档位。它比 Voxtral 贵 48%，在两个榜单上都可量化地领先；对于以中文为先的工作，这钱花得值。

选择Voxtral 3 T​TS——如果产品支持欧洲语言、欧盟数据驻留是一项采购要求，或者你正在构建语音代理，并希望将语音合成与代理 SDK 捆绑，并提供公开的按分钟价格。你会放弃 47 Elo，并获得一张覆盖你所销售市场的语言地图。

如果您的受众确实横跨这两张地图，那就两者都选——并在它们之间进行路由。按每美元 Elo 来衡量，两者足够接近，因此平局应以覆盖范围而非分数来打破；而对于一个客户同时位于广州和格但斯克的产品来说，并不存在唯一正确答案。

值得关注的是，两家厂商中是否有一家会公布按语言划分的明细。一旦有一家这么做，这场比较就不再是关于地图的争论，而会变成关于测量数据的争论——而后一种争论更值得进行。