Google TTS Chirp 3 HD vs Qwen3 TTS Instruct Flash

vs

Cuál usar y cuándo

qwen3-tts-instruct-flash es 2.6x más barato por millón de caracteres ($11.5 frente a $30) y acepta dirección de voz en lenguaje llano, pero solo admite 600 caracteres por petición frente a 5000 bytes en google-tts-chirp3-hd, así que el texto largo hay que trocearlo. El modelo de Google cubre la lista de locales más amplia y expone parámetros numéricos de voz, con SSML en vista previa. Elige qwen3-tts-instruct-flash para frases cortas con una intención descrita, google-tts-chirp3-hd para texto largo y amplitud de locales.

Precios

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash Δ
Por 1M de caracteres $30 $11.5 2.6×

Tarifas tomadas del catálogo en vivo al generar el sitio; la página de cada modelo tiene la ficha de precios actualizada.

Dónde queda cada uno: precio por 1M de caracteres entre los 7 modelos de síntesis de voz que se facturan en esta unidad (escala logarítmica)

Capacidades

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
Streaming sí sí
SSML preview undocumented
Unidad de facturación character character

Especificaciones

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
Modalidades de entrada texto texto
Modalidades de salida audio audio
Lanzamiento 2025-03 -
Límite por solicitud 5000 bytes 600 characters
Voces Las voces llevan nombres de estrellas y se publican con un género: 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 y Zubenelgenubi. Un prefijo de configuración regional forma el id, p. ej. en-US-Chirp3-HD-Charon. Google describe el conjunto como 30 estilos distintos en muchos idiomas.

Voces del sistema publicadas con una persona descrita en una línea, entre ellas Cherry (una mujer joven alegre, positiva, amable y natural), Serena, Ethan, Chelsie, Momo, Vivian, Moon, Maia, Kai, Nofish (un diseñador que no sabe pronunciar los sonidos retroflejos), Bella, Eldric Sage, Mia, Mochi, Bellona, Vincent, Bunny, Neil, Elias, Arthur, Nini, Seren, Pip y Stella

la lista de voces de Qwen-TTS empareja cada voz con los ids de modelo exactos que la aceptan.

Idiomas 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 y vi-VN.

Chino (mandarín), inglés, alemán, italiano, portugués, español, japonés, coreano, francés y ruso. language_type toma Auto por defecto para la entrada plurilingüe o indeterminada, y Alibaba documenta que eso no garantiza la precisión

nombrar un solo idioma está documentado como una mejora significativa de la calidad de la síntesis. A diferencia de la serie Qwen3-TTS-Flash, la serie Instruct no lista ninguna voz de dialecto chino (pekinés, shanghainés, sichuanés, nanjinés, shaanxi, hokkien, tianjin, cantonés).

Control de voz
  • Los controles de voz están en Preview: el ritmo mediante speaking_rate de 0.25 a 2.0
  • las etiquetas de pausa [pause short], [pause long] y [pause] solo se aceptan en el campo de entrada markup, nunca en text, y el modelo puede desatender las etiquetas colocadas de forma poco natural
  • pronunciaciones personalizadas en IPA o X-SAMPA
  • el soporte de SSML está en Preview y es solo síncrono, no admitido en las solicitudes de streaming, con las etiquetas no listadas ignoradas y say-as con interpret-as=expletive o bleep no admitido
  • instructions dirige la velocidad, la emoción y el estilo en lenguaje natural, con hasta 1600 tokens y documentado solo para chino e inglés
  • optimize_instructions (false por defecto) reescribe la instrucción como una directiva más adecuada para la síntesis y no tiene efecto cuando instructions está vacío
  • la clonación de voz y el diseño de voz figuran ambos como no admitidos para este id de modelo
Límites

Límite de contenido de 5000 bytes totales por solicitud de síntesis. Formato de respuesta por defecto LINEAR16

el streaming admite ALAW, MULAW, OGG_OPUS y PCM, y el modo por lotes añade MP3, así que MP3 no está disponible en la ruta de streaming. Es el único tipo de voz que la tabla comparativa de Google marca con capacidad de streaming. Disponible con carácter general en los endpoints global, us y eu, además de asia-southeast1, europe-west2 y asia-northeast1, pero fuera del ámbito de regionalización y residencia de datos. Facturado por carácter, incluidos los espacios y los saltos de línea, y con todas las etiquetas SSML salvo <mark> contabilizadas.

API HTTP de síntesis de voz no en tiempo real

el sufijo -realtime marca el modelo hermano por WebSocket. Texto de entrada limitado a 600 caracteres, con entrada mixta plurilingüe permitida. Sin streaming se devuelve una URL de archivo de audio válida durante 24 horas

con streaming se devuelve PCM codificado en Base64 por fragmentos, con la URL solo en el último paquete, reproducido en los ejemplos oficiales como audio mono de 24 kHz y 16 bits. Facturado por caracteres del texto de entrada, informados en usage.characters (input_tokens y output_tokens son siempre 0 en la serie Qwen3-TTS)

el audio de salida es gratuito.

Las especificaciones se transcriben de la documentación de cada proveedor; si un proveedor no publica un dato, la fila se omite en vez de deducirlo. Fuentes completas: Google TTS Chirp 3 HD · Qwen3 TTS Instruct Flash

Cambia de uno a otro con una sola línea

Los dos ids aparecen en todas las pestañas de abajo; lo único que cambia es el par de líneas resaltadas. El endpoint, la clave y la estructura de la solicitud son los mismos.

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",  # descomenta esta línea, comenta la de arriba
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

Obtén tu clave API →

Preguntas frecuentes

¿Cuál es más barato, Google TTS Chirp 3 HD o Qwen3 TTS Instruct Flash?

Qwen3 TTS Instruct Flash es más barato en Por 1M de caracteres ($11.5 frente a $30, una diferencia de 2.6×). En otras filas puede ser al revés: la tabla de arriba recoge todas las tarifas, y el coste real depende de tu combinación de uso.

¿Puedo hacer pruebas A/B de Google TTS Chirp 3 HD frente a Qwen3 TTS Instruct Flash sin dos integraciones?

Sí. Los dos se sirven desde el mismo endpoint compatible con OpenAI y con una sola clave API. Para cambiar de uno a otro basta con tocar una línea, el nombre del modelo, así que puedes mandar una parte del tráfico a cada uno y comparar directamente las facturas.

¿Cómo se factura el texto a voz?

Por carácter del texto de entrada, con un máximo de caracteres por solicitud que figura en la tabla de especificaciones. Con cualquiera de los dos modelos, los textos largos hay que repartirlos en varias solicitudes.

Comparativas relacionadas

De nuestros estudios con mediciones