Qwen3 TTS Instruct Flash vs BytePlus Seed TTS 2.0

vs

Cuál usar y cuándo

qwen3-tts-instruct-flash es 2.6x más barato por millón de caracteres ($11.5 frente a $30) y ambos aceptan dirección de voz en lenguaje natural, pero los límites de petición difieren mucho: 600 caracteres frente a 4096. seed-tts-2.0 ofrece además parámetros numéricos de voz junto al control descriptivo y publica sus voces agrupadas por escenario. Elige qwen3-tts-instruct-flash por coste en frases cortas, seed-tts-2.0 para pasajes largos y un control de voz más fino.

Precios

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0 Δ
Por 1M de caracteres $11.5 $30 0.38×

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

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
Streaming sí sí
SSML undocumented unsupported
Unidad de facturación character character

Especificaciones

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
Modalidades de entrada texto texto
Modalidades de salida audio audio
Lanzamiento - 2025-10-16
Límite por solicitud 600 characters -
Voces

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.

Las voces de TTS 2.0 llevan identificadores de hablante *_uranus_bigtts y se listan por escenario (General, Entertainment, Education, Dubbing, AudioBook, RolePlay, CustomerService) en la página Voice List

emoción por voz mediante audio_params.emotion con emotion_scale de 1 a 5 (4 por defecto), speech_rate y loudness_rate en [-50, 100], y post_process.pitch en [-12, 12].

Idiomas

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).

Inglés, chino, japonés, alemán, francés, español de México, bahasa indonesio, portugués de Brasil, italiano y coreano
Control de voz
  • 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
context_texts y section_id son exclusivos de TTS 2.0: una instrucción en lenguaje llano dirige la velocidad, la emoción, el volumen y el estilo (solo surte efecto el primer valor de la lista, y su texto no se factura), y section_id enlaza hasta 30 rondas o 10 minutos de síntesis anterior como contexto histórico.
Límites

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.

Integración mediante HTTP de streaming unidireccional, WebSocket de streaming uni o bidireccional y SDK en línea

frecuencia de muestreo 24K/16K/8K en las interfaces de streaming unidireccional y sin streaming, y 48K/24K/16K/8K en la interfaz bidireccional

salida PCM, OGG_OPUS o MP3 (se acepta WAV, pero devuelve varias cabeceras al transmitir)

SSML no está admitido

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: Qwen3 TTS Instruct Flash · BytePlus Seed TTS 2.0

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="qwen3-tts-instruct-flash",
    # model="seed-tts-2.0",  # 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, Qwen3 TTS Instruct Flash o BytePlus Seed TTS 2.0?

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 Qwen3 TTS Instruct Flash frente a BytePlus Seed TTS 2.0 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