Qwen3 TTS Instruct Flash vs BytePlus Seed TTS 2.0

vs

Welches Modell wofür

qwen3-tts-instruct-flash ist 2.6x günstiger pro Million Zeichen ($11.5 gegenüber $30), und beide nehmen Stimmführung in natürlicher Sprache, doch die Anfragegrenzen unterscheiden sich deutlich: 600 Zeichen gegenüber 4096. seed-tts-2.0 bietet neben der beschreibenden Steuerung auch numerische Stimmparameter und veröffentlicht seine Stimmen nach Szenario gruppiert. Nehmen Sie qwen3-tts-instruct-flash für die Kosten bei kurzen Zeilen, seed-tts-2.0 für längere Passagen und feinere Stimmkontrolle.

Preise

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0 Δ
Pro 1M Zeichen $11.5 $30 0.38×

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

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
Streaming ja ja
SSML undocumented unsupported
Abrechnungseinheit character character

Spezifikationen

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
Eingabemodalitäten Text Text
Ausgabemodalitäten Audio Audio
Veröffentlicht - 2025-10-16
Limit pro Anfrage 600 characters -
Stimmen

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.

TTS-2.0-Stimmen tragen Speaker-IDs der Form *_uranus_bigtts und sind auf der Voice-List-Seite nach Szenario gelistet (General, Entertainment, Education, Dubbing, AudioBook, RolePlay, CustomerService)

Emotion je Stimme über audio_params.emotion mit emotion_scale 1 bis 5 (Standard 4), speech_rate und loudness_rate in [-50, 100] sowie post_process.pitch in [-12, 12].

Sprachen

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).

Englisch, Chinesisch, Japanisch, Deutsch, Französisch, mexikanisches Spanisch, indonesisches Bahasa, brasilianisches Portugiesisch, Italienisch und Koreanisch
Stimmsteuerung
  • 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
context_texts und section_id gibt es nur bei TTS 2.0: Eine Anweisung in natürlicher Sprache steuert Tempo, Emotion, Lautstärke und Stil (nur der erste Wert der Liste wird wirksam, und sein Text wird nicht abgerechnet), und section_id verknüpft bis zu 30 Runden oder 10 Minuten früherer Synthese als historischen Kontext.
Limits

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.

Anbindung über unidirektionales Streaming-HTTP, uni- oder bidirektionales Streaming-WebSocket und Online-SDK

Abtastrate 24K/16K/8K auf den unidirektionalen Streaming- und Nicht-Streaming-Schnittstellen, 48K/24K/16K/8K auf der bidirektionalen Schnittstelle

Output als PCM, OGG_OPUS oder MP3 (WAV wird akzeptiert, gibt beim Streaming aber mehrere Header zurück)

SSML wird nicht unterstützt

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: Qwen3 TTS Instruct Flash · BytePlus Seed TTS 2.0

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="qwen3-tts-instruct-flash",
    # model="seed-tts-2.0",  # diese Zeile einkommentieren, die darüberliegende auskommentieren
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

API-Schlüssel erstellen →

FAQ

Welches Modell ist günstiger: Qwen3 TTS Instruct Flash oder BytePlus Seed TTS 2.0?

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 Qwen3 TTS Instruct Flash gegen BytePlus Seed TTS 2.0 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