Voxtral 3 TTS 對比 Qwen-Audio-3.0-TTS-Plus：兩款平價語音，兩張截然不同的地圖

這兩款模型都比前沿模型便宜，且都落在前沿之外，這使得在Voxtral 3 T​TS與Q​wen-Audio-3.0-T​TS-Plus之間的選擇，成為一個關於覆蓋範圍而非品質的問題。在 Artificial Analysis 的 Provider Voice 排行榜上，兩者相差 47 Elo——Qwen 為 1,264（第 7 名），Mistral 的新模型為 1,217（第 13 名）——而價格分別為每百萬字元 19.31 美元與 13.00 美元。這兩個差距都不具決定性。真正具決定性的是，阿里巴巴的模型以中文為核心打造，涵蓋二十個方言區與八十六個內嵌表達標籤，而 Mistral 的模型則以歐盟二十四種官方語言為核心打造。如果你的產品要說華語、粵語或閩南語，爭論到語言清單就結束了。如果它要說葡萄牙語、波蘭語或荷蘭語，也同樣會在那裡結束，只是方向相反。像這次發布背後那些有紀錄的 AI 故障與代理事件，都收集在the OrcaRouter AI Incident Archive中，每則條目都附有自己的來源、嚴重程度、信心等級與爭議標記。

數字，以及它們有多大分量

• 供應商語音 Elo — Qwen-Audio-3.0-TTS-Plus：1,264。Voxtral 3 TTS：1,217。兩者數據均來自 Artificial Analysis，2026 年 10 月 21 日。

• 受控語音 Elo — Q​wen-Audio-3.0-T​TS-Plus：1,125（#7）。Voxtral 3 T​TS：1,066（#14）。一旦兩者都被克隆到相同的八個參考語音上，差距便從 47 分擴大到 59 分，這意味著 A​libaba 的優勢在於合成引擎，而不是其語音庫。

每 100 萬字元的價格——Q­wen-Audio-3.0-T­TS-Plus 為 19.31 美元，Voxtral 3 T­TS 為 13.00 美元。以每分鐘口說約 900 字元計算，這相當於每小時 1.04 美元對比 0.70 美元。

• 語言 — Alibaba：16 種語言，外加 20 個中文方言地區。Mistral：35 種以上語言與 50 種以上方言，並提供 18 種語言的預設集。

• 語音克隆 — A​libaba：參考音訊克隆，包含跨語言音色轉換。Mistral：「Pro Voice」可從 30 分鐘音訊進行調適。兩者皆未提供 Cartesia 所販售的十秒即時克隆。

• 權重 —— 兩端皆封閉。兩者皆為僅提供 API 的產品。

• 延遲 — Alibaba 分別為其辨識模型與即時語音模型公布首字元串流數據；Mistral 未公布 Voxtral 3 TTS 的首次音訊時間。這兩個數字都無法跨廠商比較，且就語音合成而言，兩者都不是獨立量測。

關於 Elo 分數，有一點需要注意：讀取這些數字時，Voxtral 3 TTS 才剛登上排行榜一天，累積 1,619 次比較，而 Qwen 則是 2,399 次。在那樣的樣本量下，47 分的差距落在彼此重疊的信賴區間內，這只能算是一個方向，而非定論。應把它解讀為「Qwen 大概稍微領先」，而不是實測到的 47 分差距。

A​libaba 的模式在哪裡勝出，而且這不是小勝

中文涵蓋範圍是第一項、也是最大的一項差異，而值得確切說明「20 個方言區」所指為何。A​libaba 的語音產品線是為國內市場打造；在該市場中，單一書面語言對應到多種語音，而只會普通話的模型會把這些語音處理得一團糟：粵語、四川話、吳語、閩南語等等。Q​wen-Audio-3.0-T​TS-Plus 原生支援這些方言區，而 A​libaba 的 3.1 代則加入了跨語言音色轉移——讓同一個聲音跨越普通話、粵語、英語和日語——如果你是要為單一主持人做本地化，而不是為每個市場分別挑選配音，這就是關鍵功能。

第二項是 token 層級的表達控制。Qwen-Audio-3.0-TTS-Plus 承襲其世代一套有文件記載的 86 個內嵌表達標籤，讓腳本能直接在文字稿中帶有情緒、語速與強調標記。Mistral 的 Voxtral 3 TTS 提供提示詞層級的情緒、節奏與強調控制，以及音素層級的發音與詞彙庫——用意相近，但就書面規格而言，Alibaba 的標籤詞彙是兩者中更細緻的。

第三點是，Alibaba 推出了更便宜的同系列產品。3.1 更新讓 TTS 成為 Flash 層級的 SKU，因此，若團隊認為 3.0-Plus 層級太貴，就有同一供應商內有文件記載的降級路徑，價格點大致與 Voxtral 3 TTS 相同。Mistral 對「請便宜一點」的回應，則是同一款模型，或改用不同供應商。

阿里巴巴模型較弱的地方同樣清楚：16 種語言是一張很小的地圖。如果你的商品目錄使用波蘭語、土耳其語、越南語或葡萄牙語，Qwen-Audio-3.0-TTS-Plus 並未涵蓋你，再多的 Elo 也無法彌補這一點。

Voxtral 3 TTS 勝出之處

亞洲以外的語言廣度，直接說。宣稱支援超過三十五種語言、超過五十種方言，還有一套針對歐洲採購需求打造的產品系列：Mistral 表示，其轉錄模型以及歐盟、美國與全球 API 端點涵蓋全數 24 種歐盟官方語言，並可讓需要在私有基礎架構上控制音訊處理地點與是否保留音訊的買家自行部署。對歐洲公部門或醫療保健買家而言，這不是決勝關鍵，而是必要條件。

第二個是周邊技術堆疊。Voxtral 3 TTS 並非以單一獨立端點的形式販售：它附帶一套以 LiveKit 為基礎的代理 SDK，支援 SIP、WebRTC 與 IVR，並宣稱代理回合延遲低於一秒，還針對整體流程提供每分鐘價格——搭配 Mistral Small 4 推理時為 $0.04，搭配另一款推理模型時為 $0.08。Alibaba 也有即時語音模型，但 Mistral 的方案在文件中被定位為套裝式產品主張，並公布了每分鐘數字，這比按 token 計費的價目表更容易建立商業案例。

第三點是價格，嚴格來說。13 美元對比 19.31 美元是 33% 的折扣，而在規模化之下，這是一個實實在在的數字：每月一萬小時大約是 7,000 美元對比 10,400 美元。這不是一次重新定價事件，但它也絕非無足輕重。

這裡支持路由的理由，比大多數對戰組合都更充分。

大多數「模型對模型」的比較文章最後都以「選一個」收尾。這一對是真正的組合配置問題，因為兩者的涵蓋範圍圖在邊緣幾乎不重疊，而且兩者都便宜到足以並行運行。一個歐洲電子商務平台要用八種歐盟語言為產品頁面提供說明，同時也服務粵語客群，兩者都需要。一家配音公司正在處理一部有華語對白和法文字幕的影集，也同樣兩者都需要。

同時採用兩者的麻煩之處不在於模型選擇，而在於底層串接：兩個供應商、兩套驗證機制、兩段計費關係，兩組故障模式。OrcaRouter 正是為這樣的形態而生——一組 OpenAI 相容金鑰即可通行 200+ 個模型，供應商定價以 0% 加價原樣傳遞，因此供應商價格變動當天就會生效，還有一套路由 DSL，可將帶有語言標記的要求送到涵蓋該語言的模型。截至本文撰寫時，Voxtral 3 T​TS 與 Q​wen-Audio-3.0-T​TS-Plus 都未收錄於 OrcaRouter 的型錄中，而「一組 API 對應 200+ 個模型」是針對我們實際營運的型錄所作的陳述，並非針對這兩者——目前兩者皆是透過各自供應商的 API 與數個第三方平台來存取。無論如何，設計重點依然成立：如果你的語言矩陣需要兩個供應商，你會希望這樣的分工存在於路由規則中，而不是存在於兩條程式碼路徑中。

兩家廠商都尚未公布的內容

有三個缺口，而這兩種情況下的缺口都是同樣那三個，這說明了這個市場層級還有多麼年輕。

沒有各語言的個別分數。兩個 Elo 數字都是彙總值。一個模型可以整體落在 1,264，卻在華語表現優異、在法語表現平平；排行榜無法告訴你這件事，兩家廠商也都沒有公布按語言拆分的細項。對於任何取決於特定語言品質的決策，唯一可靠的測試就是你自己的語料庫，並由一位不知道哪個模型產出哪個樣本的母語者來審讀。

沒有長篇續航力數據。Arena 片段只有幾秒鐘。兩款模型都沒有記載其 TTS 端點的最大生成長度，也都沒有公開的十分鐘連貫性測試——而這正是有聲書能否成立的長度。Qwen 的 3.1 世代將長篇場景生成移入另一個獨立的 -Next 模型，而非延伸 TTS 端點，這等於默認基礎模型並非長篇工具。

沒有獨立的延遲測量。Mistral 未公布 Voxtral 3 T​TS 語音合成的任何資料；Alibaba 公布的是廠商數據。Artificial Analysis 在同一頁面上報導 Voxtral 3 T​TS 的中位吞吐量為每秒 112 個字元，但未報導 Q​wen-Audio-3.0-T​TS-Plus 的數據。在即時語音代理中，首次音訊時間（time-to-first-audio）對產品體驗的決定性勝過 Elo，而它是這個類別中最缺乏記錄的數字。

誠實的分割

選擇 Qwen-Audio-3.0-TTS-Plus，前提是產品所說的語言是中文——帶有地方口音的普通話、粵語，或中英夾雜——或者你需要逐字稿中細緻的語音呈現標籤，並希望供應商在旗艦方案之下還有明確記載的更便宜等級。它的價格比 Voxtral 高 48%，而且在兩項評測榜上都明顯領先；對於以中文為優先的工作來說，這筆錢花得值得。

選擇 Voxtral 3 T​TS，如果產品支援歐洲語言、如果歐盟境內的資料駐留是採購要求，或者你正在建置語音代理，並希望將語音合成與代理 SDK 及已公布的每分鐘價格一起打包。你放棄 47 Elo，換來一張涵蓋你所銷售市場的語言地圖。

如果您的受眾確實橫跨這兩張地圖，那就兩者都選——並在兩者之間分流。若以每美元 Elo 值來衡量，兩者差距小到足以讓平手取決於覆蓋範圍，而非分數；而一個在廣州和格但斯克都有客戶的產品，並沒有單一正確答案。

值得觀察的是，兩家廠商是否有一方公布逐語言細分。一旦有一家這麼做，這場比較就不再是關於地圖的爭論，而會變成關於量測的爭論；而這是更值得進行的爭論。