Qwen3 TTS Instruct Flash vs TTS-1 HD

vs

Welches Modell wofür

qwen3-tts-instruct-flash kostet $11.5 pro Million Zeichen gegenüber $30, rund 2.6x weniger, und ist das einzige der beiden, mit dem sich die Stimme in natürlicher Sprache dirigieren lässt - tts-1-hd bietet keine Stimmkontrolle. Der Tausch ist die Anfragegröße, 600 Zeichen gegenüber 4096, lange Texte müssen also geteilt werden. Beide streamen. Nehmen Sie tts-1-hd für lange Passagen in einem Aufruf, qwen3-tts-instruct-flash für dirigierte kurze Zeilen zu geringeren Kosten.

Preise

Qwen3 TTS Instruct Flash TTS-1 HD 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 TTS-1 HD
Streaming ja ja
SSML undocumented undocumented
Abrechnungseinheit character character

Spezifikationen

Qwen3 TTS Instruct Flash TTS-1 HD
Eingabemodalitäten Text Text
Ausgabemodalitäten Audio Audio
Veröffentlicht - 2023-11-06
Limit pro Anfrage 600 characters 4096 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.

alloy, ash, coral, echo, fable, onyx, nova, sage und shimmer, eine kleinere Auswahl als die vollständige TTS-Liste mit 13 Stimmen, und die Stimmen sind derzeit auf Englisch optimiert.
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).

Folgt im Wesentlichen der Sprachunterstützung des Whisper-Modells: Afrikaans, Arabisch, Armenisch, Aserbaidschanisch, Belarussisch, Bosnisch, Bulgarisch, Katalanisch, Chinesisch, Kroatisch, Tschechisch, Dänisch, Niederländisch, Englisch, Estnisch, Finnisch, Französisch, Galicisch, Deutsch, Griechisch, Hebräisch, Hindi, Ungarisch, Isländisch, Indonesisch, Italienisch, Japanisch, Kannada, Kasachisch, Koreanisch, Lettisch, Litauisch, Mazedonisch, Malaiisch, Marathi, Maori, Nepalesisch, Norwegisch, Persisch, Polnisch, Portugiesisch, Rumänisch, Russisch, Serbisch, Slowakisch, Slowenisch, Spanisch, Suaheli, Schwedisch, Tagalog, Tamil, Thailändisch, Türkisch, Ukrainisch, Urdu, Vietnamesisch und Walisisch, obwohl die Stimmen auf Englisch optimiert sind
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
none
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.

Nur der Endpoint zur Sprachgenerierung (v1/audio/speech)

Chat Completions, Responses, Realtime, Batch und Fine-Tuning sind sämtlich als nicht unterstützt gelistet

der Eingabetext ist auf 4096 Zeichen begrenzt

Output als mp3 (Standard), opus, aac, flac, wav oder pcm (rohe 24-kHz-16-Bit-Samples, vorzeichenbehaftet, Little Endian)

Echtzeitwiedergabe über Chunked Transfer Encoding

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 · TTS-1 HD

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="tts-1-hd",  # 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 TTS-1 HD?

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 TTS-1 HD 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