Google TTS Chirp 3 HD vs Qwen3 TTS Instruct Flash

vs

Lequel choisir, et quand

qwen3-tts-instruct-flash revient 2.6x moins cher par million de caractères ($11.5 contre $30) et accepte une direction de voix en langage courant, mais il ne prend que 600 caractères par requête contre 5000 octets pour google-tts-chirp3-hd, donc les textes longs doivent être découpés. Le modèle de Google couvre la liste de locales la plus large et expose des paramètres numériques de voix, avec SSML en préversion. Prenez qwen3-tts-instruct-flash pour des répliques courtes avec une intention décrite, google-tts-chirp3-hd pour du texte long et l'étendue des locales.

Tarifs

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

Tarifs relevés dans le catalogue en direct à la génération du site ; la page de chaque modèle affiche la grille tarifaire à jour.

Leur position : prix pour 1M de caractères, parmi les 7 modèles de synthèse vocale facturés dans cette unité (échelle logarithmique)

Capacités

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
Streaming oui oui
SSML preview undocumented
Unité de facturation character character

Spécifications

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
Modalités d'entrée texte texte
Modalités de sortie audio audio
Date de sortie 2025-03 -
Limite par requête 5000 bytes 600 characters
Voix Les voix portent des noms d'étoiles et sont publiées avec un genre: 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 et Zubenelgenubi. Un préfixe de locale forme l'identifiant, par ex. en-US-Chirp3-HD-Charon. Google décrit l'ensemble comme 30 styles distincts dans de nombreuses langues.

Voix système publiées avec un personnage résumé en une ligne, parmi lesquelles Cherry (une jeune femme enjouée, positive, amicale et naturelle), Serena, Ethan, Chelsie, Momo, Vivian, Moon, Maia, Kai, Nofish (un designer incapable de prononcer les consonnes rétroflexes), Bella, Eldric Sage, Mia, Mochi, Bellona, Vincent, Bunny, Neil, Elias, Arthur, Nini, Seren, Pip et Stella

la liste des voix Qwen-TTS associe chaque voix aux identifiants de modèle exacts qui l'acceptent.

Langues 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 et vi-VN.

Chinois (mandarin), anglais, allemand, italien, portugais, espagnol, japonais, coréen, français et russe. language_type vaut Auto par défaut pour une entrée multilingue ou indéterminée, ce qu'Alibaba documente comme ne garantissant pas la précision

nommer une seule langue est documenté comme améliorant nettement la qualité de synthèse. Contrairement à la série Qwen3-TTS-Flash, la série Instruct ne liste aucune voix en dialecte chinois (pékinois, shanghaïen, sichuanais, nankinois, shaanxi, hokkien, tianjinois, cantonais).

Contrôle de la voix
  • Les contrôles de voix sont en préversion: le rythme via speaking_rate de 0.25 à 2.0
  • les balises de pause [pause short], [pause long] et [pause] ne sont acceptées que dans le champ d'entrée markup, jamais dans text, et le modèle peut ignorer les balises placées de façon peu naturelle
  • prononciations personnalisées en IPA ou X-SAMPA
  • la prise en charge de SSML est en préversion et synchrone uniquement, non prise en charge pour les requêtes en streaming, les balises non répertoriées étant ignorées et say-as interpret-as=expletive ou bleep n'étant pas pris en charge
  • instructions oriente le débit, l'émotion et le style en langage naturel, jusqu'à 1 600 tokens et documenté pour le chinois et l'anglais uniquement
  • optimize_instructions (false par défaut) réécrit l'instruction en une directive mieux adaptée à la synthèse et reste sans effet quand instructions est vide
  • le clonage de voix et la conception de voix sont tous deux indiqués comme non pris en charge pour cet identifiant de modèle
Limites

Limite de contenu de 5 000 octets au total par requête de synthèse. Format de réponse par défaut LINEAR16

le streaming prend en charge ALAW, MULAW, OGG_OPUS et PCM, le mode par lots ajoute MP3, si bien que MP3 n'est pas disponible sur la voie streaming. Seul type de voix que le tableau comparatif de Google marque comme compatible avec le streaming. En disponibilité générale sur les endpoints global, us et eu ainsi que sur asia-southeast1, europe-west2 et asia-northeast1, mais hors du périmètre de régionalisation et de résidence des données. Facturé au caractère, espaces et sauts de ligne compris, toutes les balises SSML sauf <mark> étant comptées.

API HTTP de synthèse vocale non temps réel

le suffixe -realtime signale le jumeau WebSocket. Texte d'entrée plafonné à 600 caractères, entrée multilingue mixte autorisée. Le mode non streaming renvoie l'URL d'un fichier audio valable 24 heures

le streaming renvoie du PCM encodé en Base64 par fragments, l'URL n'arrivant que dans le dernier paquet, restitué dans les exemples officiels en audio mono 16 bits à 24 kHz. Facturé aux caractères du texte d'entrée, rapportés dans usage.characters (input_tokens et output_tokens valent toujours 0 sur la série Qwen3-TTS)

l'audio produit est gratuit.

Les spécifications sont reprises de la documentation de chaque fournisseur ; quand un fournisseur ne publie pas une valeur, la ligne est omise et non déduite. Sources complètes : Google TTS Chirp 3 HD · Qwen3 TTS Instruct Flash

Passez de l'un à l'autre en changeant une seule ligne

Les deux identifiants figurent dans chaque onglet ci-dessous : les deux lignes surlignées sont le seul changement. Même endpoint, même clé, même format de requête.

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",  # décommentez cette ligne, commentez celle du dessus
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

Obtenez votre clé API →

FAQ

Lequel est le moins cher, Google TTS Chirp 3 HD ou Qwen3 TTS Instruct Flash ?

Qwen3 TTS Instruct Flash est moins cher sur la ligne « Par 1M de caractères » ($11.5 contre $30, soit un écart de 2.6×). D'autres lignes peuvent dire l'inverse : le tableau ci-dessus donne la grille tarifaire complète, et le coût réel dépend de la composition de votre trafic.

Puis-je faire un test A/B entre Google TTS Chirp 3 HD et Qwen3 TTS Instruct Flash sans deux intégrations ?

Oui. Les deux passent par le même endpoint compatible OpenAI, avec une seule clé API. Pour passer de l'un à l'autre, il suffit de changer l'identifiant du modèle, soit une ligne : vous pouvez donc envoyer une part du trafic à chacun et comparer directement les factures.

Comment la synthèse vocale est-elle facturée ?

Au caractère de texte en entrée, avec un plafond de caractères par requête indiqué dans le tableau des spécifications. Avec l'un comme avec l'autre, un texte long doit être découpé en plusieurs requêtes.

Comparatifs associés

Nos études, mesures à l'appui