Qwen3 TTS Instruct Flash vs BytePlus Seed TTS 2.0

vs

Lequel choisir, et quand

qwen3-tts-instruct-flash revient 2.6x moins cher par million de caractères ($11.5 contre $30) et les deux acceptent une direction de voix en langage naturel, mais les limites de requête diffèrent nettement : 600 caractères contre 4096. seed-tts-2.0 offre en plus des paramètres numériques de voix à côté du contrôle descriptif et publie ses voix regroupées par scénario. Prenez qwen3-tts-instruct-flash pour le coût sur des répliques courtes, seed-tts-2.0 pour des passages longs et un contrôle de voix plus fin.

Tarifs

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

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

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
Streaming oui oui
SSML undocumented unsupported
Unité de facturation character character

Spécifications

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
Modalités d'entrée texte texte
Modalités de sortie audio audio
Date de sortie - 2025-10-16
Limite par requête 600 characters -
Voix

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.

Les voix TTS 2.0 portent des identifiants de locuteur *_uranus_bigtts et sont listées par scénario (General, Entertainment, Education, Dubbing, AudioBook, RolePlay, CustomerService) sur la page Voice List

émotion par voix via audio_params.emotion avec emotion_scale de 1 à 5 (4 par défaut), speech_rate et loudness_rate dans [-50, 100], et post_process.pitch dans [-12, 12].

Langues

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).

Anglais, chinois, japonais, allemand, français, espagnol du Mexique, bahasa indonésien, portugais du Brésil, italien et coréen
Contrôle de la voix
  • 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
context_texts et section_id sont propres à TTS 2.0: une instruction en langage naturel oriente le débit, l'émotion, le volume et le style (seule la première valeur de la liste prend effet, et son texte n'est pas facturé), et section_id rattache jusqu'à 30 tours ou 10 minutes de synthèse antérieure comme contexte historique.
Limites

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.

Intégration via HTTP en streaming unidirectionnel, WebSocket en streaming uni- ou bidirectionnel et SDK en ligne

fréquence d'échantillonnage 24K/16K/8K sur les interfaces en streaming unidirectionnel et non-streaming, 48K/24K/16K/8K sur l'interface bidirectionnelle

sortie PCM, OGG_OPUS ou MP3 (le WAV est accepté mais renvoie plusieurs en-têtes en streaming)

SSML n'est pas pris en charge

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 : Qwen3 TTS Instruct Flash · BytePlus Seed TTS 2.0

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

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 Qwen3 TTS Instruct Flash et BytePlus Seed TTS 2.0 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