Grok Voice 3.0 與 Qwen-Audio-3.0-TTS：其中一個聽得見你，而且不是比較便宜的那一個

把這兩張價目表並排放在一起，阿里巴巴的模式以三倍之差勝出。Qwen-Audio-3.0-TTS以每百萬字元 27.6 美元的價格生成語音，換算下來每小時音訊約 1.66 美元，而且它今天就能透過 Alibaba Cloud Model Studio 以託管 API 的形式取得。Grok Voice 3.0由 SpaceXAI 於 2026 年 10 月 14 日發布，每分鐘音訊收費 0.08 美元——也就是每小時 4.80 美元——另加每筆文字輸入 0.004 美元。旁白是比較便宜的那個產品，而旁白聽不見你說的任何話。Qwen-Audio-3.0-TTS 是文字轉語音模型。Grok Voice 3.0 則是全雙工語音轉語音模型，它必須每秒好幾次判斷你是否已經說完。每小時音訊成本這個指標，只對其中一個而言才是正確的衡量標準。

那是一段話就能交代完的整個對決，而底下的一切才是決定部署的關鍵：一旦把圍繞它的管線各環節算進去，每一者運作起來要付出多少成本。

一人算繪指令碼，一人接聽電話。

文字轉語音會接收文字並回傳音訊。這裡沒有輸入音訊、沒有需要輪到的回合、沒有被打斷的概念，也沒有逐字稿會回傳，因為模型根本什麼都沒聽到。它的成本模型就像一台印刷機——頁面進、音訊出——而唯二要緊的數字是品質和吞吐量，這兩者都能在推出前衡量。

全雙工模型在產生輸出音訊的同時，也會處理傳入的音訊。它的職責涵蓋對話中與字詞無關的那些部分：在來電者停頓時跟著停頓、在對方發出簡短回應時繼續說下去，而不是把它當成打斷、在句子中途讓出發言權，以及在觸發工具呼叫時不讓對話脈絡中斷。Grok Voice 3.0 全都能做到，還會在工作階段進行的同時回傳逐字稿，而這之所以可能，全因為它自始至終都在聆聽。

如果你的產品要朗讀文章、把文件轉成音訊，或為影片旁白，Grok Voice 3.0 就是錯誤的工具——它每小時的價格是別人的三倍，而且根本做不到這件事，因為它不接受腳本並產出檔案。如果你的產品要接聽電話，Qwen-Audio-3.0-TTS 只是整條流程的三分之一，還需要語音辨識與語言模型才能構成對話——而這每一個環節都會增加成本、延遲，以及一道韻律就此斷送的界線。

Qwen-Audio-3.0-TTS 真正強大的地方

阿里巴巴這款模型的理由不在行銷。由阿里巴巴通義實驗室於 2026 年 7 月 20 日發布，並以託管的封閉 API 形式提供，Plus 版本在推出時登上 Artificial Analysis 語音合成競技場的榜首。排行榜會變動，而這個榜單也確實變了：截至 2026 年 9 月，Qwen-Audio-3.0-TTS-Plus 在 Provider Voice Arena 上以 2,306 個樣本、Elo 1,232 排名第四，落後於 Elo 1,275 的 Cartesia Sonic 3.6、1,244 的 Inworld Realtime TTS-2，以及 1,233 的 Speechify Simba 3.2——這三款都是在它之後才推出的七月與八月模型。在二十多款模型中排名第四，龍頭地位不再而價格優勢仍在，這依然是強勢的位置。只是這並非上市報導所描述的位置。

• 語言涵蓋範圍 — 16 種語言，其中 10 種設有主管職位，另有 20 個漢語方言區。

• 語音複製 — 從短參考樣本進行，包括跨語言複製。

• 表現力控制 — 86 個內嵌情緒與語氣標籤。

• 吞吐量 — Plus 每秒大約產生 16 個字元。對批次渲染來說，這微不足道；但對即時產品而言，這個數字決定了你的緩衝區。

• 層級 — Flash 的目標是約 300 毫秒的首封包延遲，以支援即時播放；Plus 則是品質層級。兩者是名稱相同但不同的產品，而選錯是常見的第一個錯誤。

• 文件缺口 — 廣為引用的每百萬個字元 27.6 美元，並非在每個快照中都與 Alibaba 自家的定價頁面相符；該頁面有時曾為兩個層級列出更低的數字。在預測之前，請在帳戶層級確認這個數字，而不是以排行榜上的數字為準。

有兩點值得事先納入規劃。儘管支援十六種語言，公開的預設語音幾乎全是中文和英文，其餘十四種是透過複製工作流程而來，並非現成可用。而且那 86 個行內情緒標籤僅能在單向串流模式下運作，因此這種表情控制並非在每條整合路徑上都能保留。

還有一個需要留意的版本。阿里現在列出了 Qwen-Audio-3.1-TTS 世代，以及另外一個獨立的 Qwen Audio 3.0 Realtime 系列，而這些與 Qwen-Audio-3.0-TTS 並非同一個模型——Realtime 系列是語音轉語音產品，出現在完全不同的排行榜上。任何拿「Qwen Audio 3.0」與對話模型相比較的人，都應該確認自己實際上看的是阿里自家價目表中的哪一列。

Grok Voice 3.0 的代價，以及它無法解決的問題

Grok Voice 3.0 於 2026 年 10 月 14 日推出，價格為每分鐘音訊 $0.08，外加每筆文字輸入 $0.004，與其所取代的模型相同，而 grok-voice-latest 現在會指向它，grok-voice-2.0 則被標記為已棄用。在 Artificial Analysis 的 Speech to Speech Index 上，它以 86.9 位居榜首，其中最高的組成部分是代理式效能（agentic performance），在 τ-Voice 上達到 71.6%，相較於前代的 56.5%——這是此次發布中最大的單項變動。

延遲數據的主張，正是這兩個模型終於共用同一個單位的地方。Grok Voice 3.0 公布首個音訊延遲為 0.81 秒，是前沿對話模型中最快的數字。Qwen Audio 的 Flash 層級則以約 300 毫秒的首個封包為目標。這兩者不是同一種測量：300 毫秒是你已經取得文字後，渲染工作送出第一個封包的時間；而 0.81 秒則是人類停止說話後開始說話的時間，其中包含判斷該輪到你發言的決定。大約兩倍半的延遲，換來的是可被打斷的能力。這是否值得，完全取決於另一端是否真有一個人。

Grok Voice 3.0 也帶來了 TTS 模型會留給你自行處理的語音產品環節：雙工會話、伺服器端輪次偵測、工作階段範圍的工具（讓代理能在對話中途呼叫後端），以及隨之回傳的轉錄內容。它並未帶來腳本朗讀模式、有明文記載為跨語言的複製功能，或是以十六種語言作為賣點的行銷特色。它能觸及的使用情境比 TTS 模型更狹窄，而每小時的數字則更高。

瀑布法案的誠實版本

一套以文字轉語音模型為基礎的對話式產品，其實是一條串接式流程：語音辨識模型把來電者的話語轉成文字，語言模型決定要說什麼，再由 TTS 模型把它說出來。三家供應商、三筆帳單、三個會層層疊加的延遲預算，而且每個交界處都得有一次交接。TTS 這一段每小時音訊可能要價 1.66 美元。另外兩段才是金錢與錯誤真正所在之處，而這條串接式流程聽不見自己已經在說的那句話中間的停頓。

Grok Voice 3.0 將三個部分收斂成單一工作階段與單一計量——但有兩個細節讓帳單保持誠實。它的工具呼叫與任何委派的推理，都會在實際回應它們的後端上執行，並依該模型自身的費率計價，因此若把代理指向一個每回合都會搜尋的前沿推理模型，就會在便宜的語音層背後產生一筆昂貴的呼叫。而在每月 300,000 分鐘的用量下，光是語音那一半的價目表就要 $24,000。

第二項衡量指標，正是這個比較從「模型選擇」變成「架構選擇」的分界點，也是路由層之所以有存在價值的地方。OrcaRouter 並未搭載 Grok Voice 3.0，也沒有 Qwen-Audio-3.0-TTS；這兩者的語音層都超出我們所能觸及的範圍，我們不路由其中任何一部分。但推論這一段可不是如此。來自十多家上游供應商的 207 個模型，全都在同一把金鑰之後，以供應商牌價、零加成提供，而且供應商一降價，當天就反映，不必等到你下次續約。若串接架構要直接涵蓋中間這一段：把兩個語音辨識選項與三個推理模型放在同一個端點之後，用真實流量做 A/B 測試，再讓自動容錯移轉吸收上游中斷，而不致漏掉任何一次呼叫。當單一推理模型不夠用時，路由 DSL 能把多個模型組合成單次呼叫。

用一個問題來選擇

若產出是內容：旁白、在地化、無障礙音訊、配音，或任何文字先於音訊存在、且以每渲染小時品質為指標的工作流程，就購買 Qwen-Audio-3.0-TTS。如果需要即時播放，從 Flash 開始；當聲音本身就是交付成果時，再改用 Plus。將聲音複製工作流程與預設語音分開計價，並在以此建立預測之前，先在帳戶層級確認每百萬字元的費率。

購買 Grok Voice 3.0，如果輸入的是真人。客服專線、預約流程、收案訪談，任何來電者的第一個音節在模型話講到一半時就出現，而系統必須表現得像個聆聽者而不是播放器的情境。它的每小時音訊成本較高，無法讀取你的文件，而且它是兩者之中唯一可以被打斷的。

許多實際產品兩者都要——一個產生音訊素材的渲染模型，以及一個處理這些素材所屬通話的雙工模型。它們不該共用的是成本模型。每小時音訊是這兩者當中其中一個的正確單位；而另一個的真正成本，則是你因為沒有建構串接式系統而避開的那條管線。