Microsoft AI: MAI-Voice-2.1 対 Qwen: Qwen-Audio-3.0-TTS Plus
api14カタログの最新のUSD料金と機能をもとに、Microsoft AI: MAI-Voice-2.1（$77.00 / 100万文字 (≈ ￥12,153)）とQwen: Qwen-Audio-3.0-TTS Plus（$70.00 / 100万文字 (≈ ￥11,048)）を並べて比較します。どちらも同じOpenAI互換APIで動作します。
仕様
| Microsoft AI: MAI-Voice-2.1 | Qwen: Qwen-Audio-3.0-TTS Plus | |
|---|---|---|
| プロバイダー | Microsoft | Qwen |
| 文字 | $77.00 / 100万文字 (≈ ￥12,153) | $70.00 / 100万文字 (≈ ￥11,048) |
| コンテキストウィンドウ | - | - |
| 最大出力 | - | - |
| 入力 | text | text |
| 出力 | speech | speech |
| ツール呼び出し | ||
| 構造化出力 | ||
| 推論の調整 | ||
| 追加日 | 2026/10/01 | 2026/07/23 |
主な違い
- Qwen: Qwen-Audio-3.0-TTS Plusは入力トークンが9%安くなっています。
詳しく見る
Microsoft AI: MAI-Voice-2.1 は Microsoft の音声モデルで、モデル ID microsoft/mai-voice-2.1 で登録されています。Qwen: Qwen-Audio-3.0-TTS Plus は Qwen の音声モデルで、モデル ID qwen/qwen-audio-3.0-tts-plus で登録されています。どちらも音声カテゴリに属し、どちらもプロバイダーのリリース日が 2026 年とされていますが、Qwen モデルの方が先に、Microsoft モデルの方が後に登録されています。開発者にとっての実用的な出発点は、これらが同じゲートウェイを通じて並行して販売されている、異なる 2 つのベンダーによる競合するテキスト読み上げオプションであるという点です。
機能面では、両モデルは表面上は非常に似ています。どちらもテキストを入力として受け取り、音声を出力として生成し、どちらもサポートされているパラメータを記載していないため、両者を区別する文書化された関数呼び出し、構造化出力、推論モードはありません。どちらも公開されたコンテキスト長がないため、一方が他方より長い入力を処理できると言う根拠はありません。示されている定性的な違いは価格に関するものです。Qwen モデルは入力において 2 つのうち安価な方です。出力価格はデータ上で区別されていないため、そこでは両者を同等と見なしてください。要するに、これは一方のモデルが文書化された形で他方より高機能であるという話ではなく、同じ形状で片側に価格差がある 2 つのモデルという話です。
そうなると、選択はコストと、どちらのベンダーの音声出力を好むかにかかってきます。ワークロードが入力重視の場合、例えば長い台本、バッチナレーション、音声に変換される大量のテキストなどでは、Qwen モデルの低い入力コストにより、より経済的なデフォルトとなり、それを選ぶことで犠牲にする文書化された機能はありません。Microsoft の出力に対してプロンプトや音声設定をすでに調整している場合、または製品がすでに Microsoft サービスに標準化されている場合、MAI-Voice-2.1 は入力価格が高くても妥当な選択肢であり続けます。どちらのモデルも調整可能なパラメータを公開していないため、ここで説明する API サーフェスを通じて音声、速度、フォーマットなどを制御できると期待すべきではありません。サンプルを生成して聴くことで両方を評価する計画を立ててください。
api14 を通じてどちらのモデルを呼び出す場合も操作は同じです。API は OpenAI 互換であるため、既存のクライアントをゲートウェイに向け、テキストを含むリクエストを speech エンドポイントに送信し、model フィールドを設定します。Microsoft のモデルを使用するには、モデル ID を microsoft/mai-voice-2.1 に設定します。Qwen のモデルを使用するには、モデル ID を qwen/qwen-audio-3.0-tts-plus に設定します。リクエストボディの他の部分は 2 つの間で変更する必要がないため、A/B 比較は安価に行えます。同じテキストを両方の ID で実行し、返された音声を比較してから決定します。モデル ID はハードコードせず設定に保持し、再デプロイなしで切り替えられるようにしてください。
より高価なモデルの方がそれでも良い選択となるケースが 1 つあります。評価で MAI-Voice-2.1 がユーザーの期待する音声品質、発音、スタイルを生み出すことが示された場合、特にテキスト量が控えめであれば、入力価格の差を支払う価値があるかもしれません。逆もまた同様です。Qwen の出力がユースケースにとって十分に良ければ、その低い入力コストによりデフォルトの選択となります。ここに示されたデータではコンテキスト、モダリティ、ツール、構造化出力に違いがないため、決定は機能の主張ではなく、聴取テストと実際の価格表に基づくべきです。
文字列1つで切り替え
どちらのモデルも同じエンドポイントとリクエスト形式を使います。modelの値を"microsoft/mai-voice-2.1"から"qwen/qwen-audio-3.0-tts-plus"に変えるだけで、プロンプト、ストリーミング、ツールはそのまま動きます。
import { writeFile } from "node:fs/promises";
import OpenAI from "openai";
const client = new OpenAI({
baseURL: "https://api14.com/api/v1",
apiKey: process.env.API14_API_KEY,
});
const audio = await client.audio.speech.create({
"model": "qwen/qwen-audio-3.0-tts-plus",
"input": "Hello from api14! One API for every model.",
"voice": "alloy",
"response_format": "mp3"
});
await writeFile("speech.mp3", Buffer.from(await audio.arrayBuffer()));
その他の比較
- AssemblyAI: TTS 1 対 Fish Audio: Drama 3
- AssemblyAI: TTS 1 対 HeyGen: HeyGen Voice
- AssemblyAI: TTS 1 対 HeyGen: HeyGen Voice Turbo
- AssemblyAI: TTS 1 対 Mistral: Voxtral TTS 3
- Fish Audio: Drama 3 対 HeyGen: HeyGen Voice
- Fish Audio: Drama 3 対 HeyGen: HeyGen Voice Turbo
- Fish Audio: Drama 3 対 Mistral: Voxtral TTS 3
- HeyGen: HeyGen Voice 対 HeyGen: HeyGen Voice Turbo