Google TTS Chirp 3 HD vs Qwen3 TTS Instruct Flash

vs

Quale scegliere e quando

qwen3-tts-instruct-flash costa 2.6x meno per milione di caratteri ($11.5 contro $30) e accetta indicazioni sulla voce in linguaggio comune, ma prende solo 600 caratteri per richiesta contro 5000 byte di google-tts-chirp3-hd, quindi i testi lunghi vanno spezzati. Il modello di Google copre l'elenco di locale più ampio ed espone parametri numerici della voce, con SSML in anteprima. Scegli qwen3-tts-instruct-flash per battute brevi con un'intenzione descritta, google-tts-chirp3-hd per testi lunghi e ampiezza di locale.

Prezzi

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash Δ
Per 1M caratteri $30 $11.5 2.6×

Tariffe lette dal catalogo live al momento della build; il listino aggiornato è sulla pagina di ciascun modello.

Dove si collocano: prezzo per 1M di caratteri tra tutti i modelli di sintesi vocale con questa unità di fatturazione (7, scala logaritmica)

Funzionalità

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
Streaming sì sì
SSML preview undocumented
Unità di fatturazione character character

Specifiche

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
Modalità di input testo testo
Modalità di output audio audio
Rilascio 2025-03 -
Limite per richiesta 5000 bytes 600 characters
Voci Le voci prendono il nome da stelle e sono pubblicate con un genere: 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 e Zubenelgenubi. Un prefisso di locale forma l'id, ad es. en-US-Chirp3-HD-Charon. Google descrive l'insieme come 30 stili distinti in molte lingue.

Voci di sistema pubblicate con persona descritte in una riga, tra cui Cherry (una giovane donna solare, positiva, amichevole e naturale), Serena, Ethan, Chelsie, Momo, Vivian, Moon, Maia, Kai, Nofish (un designer che non riesce a pronunciare i suoni retroflessi), Bella, Eldric Sage, Mia, Mochi, Bellona, Vincent, Bunny, Neil, Elias, Arthur, Nini, Seren, Pip e Stella

l'elenco delle voci Qwen-TTS abbina ogni voce agli id di modello esatti che la accettano.

Lingue 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 e vi-VN.

Cinese (mandarino), inglese, tedesco, italiano, portoghese, spagnolo, giapponese, coreano, francese e russo. language_type è predefinito ad Auto per input multilingue o indeterminato, cosa che Alibaba documenta come non garante dell'accuratezza

indicare una singola lingua è documentato come un miglioramento significativo della qualità di sintesi. A differenza della serie Qwen3-TTS-Flash, la serie Instruct non elenca voci di dialetti cinesi (pechinese, shanghainese, sichuanese, nanchinese, shaanxi, hokkien, tianjin, cantonese).

Controllo della voce
  • I controlli vocali sono in Preview: il ritmo tramite speaking_rate da 0.25 a 2.0
  • i tag di pausa [pause short], [pause long] e [pause] sono accettati solo nel campo di input markup, mai in text, e il modello può ignorare i tag collocati in modo innaturale
  • pronunce personalizzate in IPA o X-SAMPA
  • il supporto SSML è in Preview e solo sincrono, non supportato per le richieste in streaming, con i tag non elencati ignorati e say-as interpret-as=expletive o bleep non supportati
  • instructions guida velocità, emozione e stile in linguaggio naturale, fino a 1.600 token e documentato solo per cinese e inglese
  • optimize_instructions (predefinito false) riscrive l'istruzione in una direttiva più adatta alla sintesi e non ha effetto quando instructions è vuoto
  • la clonazione della voce e la voice design sono entrambe indicate come non supportate per questo id di modello
Limiti

Limite di contenuto di 5.000 byte totali per richiesta di sintesi. Formato di risposta predefinito LINEAR16

lo streaming supporta ALAW, MULAW, OGG_OPUS e PCM, il batch aggiunge MP3, quindi MP3 non è disponibile sul percorso in streaming. È l'unico tipo di voce che la tabella comparativa di Google segna come capace di streaming. In disponibilità generale sugli endpoint global, us ed eu oltre che su asia-southeast1, europe-west2 e asia-northeast1, ma fuori dallo scope della regionalizzazione e della residenza dei dati. Fatturato per carattere inclusi spazi e a capo, con tutti i tag SSML tranne <mark> conteggiati.

API HTTP di sintesi vocale non in tempo reale

il suffisso -realtime indica il fratello WebSocket. Testo in ingresso limitato a 600 caratteri, input misto multilingue ammesso. Il non-streaming restituisce l'URL di un file audio valido per 24 ore

lo streaming restituisce PCM codificato in Base64 a blocchi con l'URL solo nel pacchetto finale, riprodotto nei campioni ufficiali come audio mono a 24 kHz e 16 bit. Fatturato per caratteri del testo in ingresso, riportati come usage.characters (input_tokens e output_tokens sono sempre 0 sulla serie Qwen3-TTS)

l'audio in uscita è gratuito.

Le specifiche sono riprese dalla documentazione di ciascun provider; se un provider non pubblica un dato, la riga viene omessa e non dedotta. Fonti complete: Google TTS Chirp 3 HD · Qwen3 TTS Instruct Flash

Passa dall'uno all'altro cambiando una sola riga

In ogni scheda qui sotto ci sono entrambi gli id: le due righe evidenziate sono l'unica modifica. Stesso endpoint, stessa chiave, stessa struttura della richiesta.

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",  # decommenta questa riga, commenta quella sopra
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

Ottieni la tua chiave API →

FAQ

Qual è il più economico, Google TTS Chirp 3 HD o Qwen3 TTS Instruct Flash?

Qwen3 TTS Instruct Flash costa meno alla voce Per 1M caratteri ($11.5 contro $30, 2.6× di differenza). Altre voci potrebbero dire il contrario: la tabella qui sopra riporta il listino completo, e il costo reale dipende dal tuo mix di utilizzo.

Posso fare un A/B test di Google TTS Chirp 3 HD contro Qwen3 TTS Instruct Flash senza due integrazioni?

Sì. Si chiamano entrambi dallo stesso endpoint compatibile con OpenAI, con una sola chiave API. Per passare dall'uno all'altro basta cambiare la stringa del modello in una riga, quindi puoi mandare una parte del traffico a ciascuno e confrontare direttamente i costi.

Come viene fatturata la sintesi vocale?

Per carattere del testo di input, con un tetto massimo di caratteri per richiesta indicato nella tabella delle specifiche. Con entrambi i modelli i testi lunghi vanno suddivisi su più richieste.

Confronti correlati

Dai nostri studi con dati misurati