Google TTS Chirp 3 HD vs Qwen3 TTS Instruct Flash

vs

Welches Modell wofür

qwen3-tts-instruct-flash ist 2.6x günstiger pro Million Zeichen ($11.5 gegenüber $30) und nimmt Stimmführung in normaler Sprache entgegen, akzeptiert aber nur 600 Zeichen pro Anfrage gegenüber 5000 Bytes bei google-tts-chirp3-hd - lange Texte müssen also zerteilt werden. Das Google-Modell deckt die breitere Locale-Liste ab und bietet numerische Stimmparameter, SSML in der Vorschau. Nehmen Sie qwen3-tts-instruct-flash für kurze Zeilen mit beschriebener Wirkung, google-tts-chirp3-hd für langen Text und Locale-Breite.

Preise

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash Δ
Pro 1M Zeichen $30 $11.5 2.6×

Preise aus dem Live-Katalog, Stand des letzten Builds. Die aktuellen Preise stehen auf der jeweiligen Modellseite.

Einordnung: Preis pro 1M Zeichen aller 7 Text-to-Speech-Modelle mit dieser Abrechnungseinheit (logarithmische Skala)

Fähigkeiten

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
Streaming ja ja
SSML preview undocumented
Abrechnungseinheit character character

Spezifikationen

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
Eingabemodalitäten Text Text
Ausgabemodalitäten Audio Audio
Veröffentlicht 2025-03 -
Limit pro Anfrage 5000 bytes 600 characters
Stimmen Die Stimmen sind nach Sternen benannt und mit einem Geschlecht veröffentlicht: Achernar, Achird, Algenib, Algieba, Alnilam, Aoede, Autonoe, Callirrhoe, Charon, Despina, Enceladus, Erinome, Fenrir, Gacrux, Iapetus, Kore, Laomedeia, Leda, Orus, Pulcherrima, Puck, Rasalgethi, Sadachbia, Sadaltager, Schedar, Sulafat, Umbriel, Vindemiatrix, Zephyr und Zubenelgenubi. Ein Locale-Präfix bildet die id, z. B. en-US-Chirp3-HD-Charon. Google beschreibt den Satz als 30 verschiedene Stile über viele Sprachen hinweg.

Systemstimmen, veröffentlicht mit einzeiligen Personas, darunter Cherry (eine sonnige, positive, freundliche und natürliche junge Frau), Serena, Ethan, Chelsie, Momo, Vivian, Moon, Maia, Kai, Nofish (ein Designer, der Retroflexlaute nicht aussprechen kann), Bella, Eldric Sage, Mia, Mochi, Bellona, Vincent, Bunny, Neil, Elias, Arthur, Nini, Seren, Pip und Stella

die Qwen-TTS-Stimmliste ordnet jeder Stimme genau die Modell-ids zu, die sie akzeptieren.

Sprachen ar-XA, bn-IN, bg-BG, yue-HK, hr-HR, cs-CZ, da-DK, nl-BE, nl-NL, en-AU, en-IN, en-GB, en-US, et-EE, fi-FI, fr-CA, fr-FR, de-DE, el-GR, gu-IN, he-IL, hi-IN, hu-HU, id-ID, it-IT, ja-JP, kn-IN, ko-KR, lv-LV, lt-LT, ml-IN, cmn-CN, mr-IN, nb-NO, pl-PL, pt-BR, pa-IN, ro-RO, ru-RU, sr-RS, sk-SK, sl-SI, es-ES, es-US, sw-KE, sv-SE, ta-IN, te-IN, th-TH, tr-TR, uk-UA, ur-IN und vi-VN.

Chinesisch (Mandarin), Englisch, Deutsch, Italienisch, Portugiesisch, Spanisch, Japanisch, Koreanisch, Französisch und Russisch. language_type steht bei gemischtsprachiger oder unbestimmter Eingabe standardmäßig auf Auto, was Alibaba als nicht genauigkeitsgarantierend dokumentiert

die Angabe einer einzelnen Sprache verbessert die Synthesequalität laut Dokumentation deutlich. Anders als die Qwen3-TTS-Flash-Reihe listet die Instruct-Reihe keine chinesischen Dialektstimmen (Peking, Shanghainesisch, Sichuan, Nanjing, Shaanxi, Hokkien, Tianjin, Kantonesisch).

Stimmsteuerung
  • Die Stimmsteuerungen sind Preview: Tempo über speaking_rate 0.25 bis 2.0
  • die Pausen-Tags [pause short], [pause long] und [pause] werden nur im markup-Eingabefeld akzeptiert, nie im Text, und das Modell kann unnatürlich platzierte Tags missachten
  • eigene Aussprachen in IPA oder X-SAMPA
  • die SSML-Unterstützung ist Preview und nur synchron, für Streaming-Anfragen nicht unterstützt, wobei nicht gelistete Tags ignoriert werden und say-as interpret-as=expletive oder bleep nicht unterstützt wird
  • instructions steuert Geschwindigkeit, Emotion und Stil in natürlicher Sprache, bis zu 1.600 Token und nur für Chinesisch und Englisch dokumentiert
  • optimize_instructions (Standard false) schreibt die Anweisung in eine für die Synthese besser geeignete Direktive um und hat keine Wirkung, wenn instructions leer ist
  • Voice Cloning und Voice Design sind für diese Modell-id beide als nicht unterstützt gelistet
Limits

Inhaltsgrenze von insgesamt 5.000 Byte pro synthesize-Anfrage. Standard-Antwortformat LINEAR16

Streaming unterstützt ALAW, MULAW, OGG_OPUS und PCM, Batch ergänzt MP3, sodass MP3 auf dem Streaming-Pfad nicht verfügbar ist. Der einzige Stimmtyp, den Googles Vergleichstabelle als streamingfähig markiert. Allgemein verfügbar auf den Endpunkten global, us und eu sowie asia-southeast1, europe-west2 und asia-northeast1, jedoch außerhalb des Geltungsbereichs von Regionalisierung und Datenresidenz. Abgerechnet pro Zeichen einschließlich Leerzeichen und Zeilenumbrüchen, wobei alle SSML-Tags außer <mark> mitzählen.

HTTP-API für nicht-echtzeitfähige Sprachsynthese

das Suffix -realtime kennzeichnet das WebSocket-Geschwistermodell. Eingabetext auf 600 Zeichen begrenzt, mehrsprachig gemischte Eingabe erlaubt. Nicht-Streaming liefert eine 24 Stunden gültige URL zur Audiodatei zurück

Streaming gibt Base64-kodiertes PCM in Chunks zurück, mit der URL erst im letzten Paket, in den offiziellen Beispielen als 24-kHz-Mono-Audio mit 16 Bit wiedergegeben. Abgerechnet nach Zeichen des Eingabetexts, gemeldet als usage.characters (input_tokens und output_tokens sind in der Qwen3-TTS-Reihe immer 0)

das Ausgabe-Audio ist kostenlos.

Die Spezifikationen stammen aus der Dokumentation des jeweiligen Anbieters. Veröffentlicht ein Anbieter eine Angabe nicht, lassen wir die Zeile weg, statt sie zu schätzen. Vollständige Quellen: Google TTS Chirp 3 HD · Qwen3 TTS Instruct Flash

Eine Zeile genügt für den Wechsel

Beide IDs stehen in jedem Tab unten. Die beiden hervorgehobenen Zeilen sind die einzige Änderung. Gleicher Endpunkt, gleicher Schlüssel, gleiches Anfrageformat.

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.audio.transcriptions.create(
    model="google-tts-chirp3-hd",
    # model="qwen3-tts-instruct-flash",  # diese Zeile einkommentieren, die darüberliegende auskommentieren
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

API-Schlüssel erstellen →

FAQ

Welches Modell ist günstiger: Google TTS Chirp 3 HD oder Qwen3 TTS Instruct Flash?

Qwen3 TTS Instruct Flash ist bei Pro 1M Zeichen günstiger ($11.5 vs. $30, Faktor 2.6). Bei anderen Zeilen kann es umgekehrt sein. Die Tabelle oben zeigt alle Preise, und die tatsächlichen Kosten hängen von Ihrem Mix ab.

Kann ich Google TTS Chirp 3 HD gegen Qwen3 TTS Instruct Flash A/B-testen, ohne zweimal zu integrieren?

Ja. Beide laufen über denselben OpenAI-kompatiblen Endpunkt mit einem API-Schlüssel. Für den Wechsel ändern Sie nur eine Zeile, den Modellnamen. So können Sie einen Teil des Traffics an jedes Modell schicken und die Kosten direkt vergleichen.

Wie wird Text-to-Speech abgerechnet?

Pro Zeichen des Eingabetexts, mit einer Obergrenze für die Zeichenzahl pro Anfrage, die in der Spezifikationstabelle steht. Lange Texte müssen Sie bei beiden Modellen auf mehrere Anfragen aufteilen.

Verwandte Vergleiche

Aus unseren Studien mit eigenen Messungen