Qwen3 TTS Instruct Flash vs BytePlus Seed TTS 2.0

vs

Quale scegliere e quando

qwen3-tts-instruct-flash costa 2.6x meno per milione di caratteri ($11.5 contro $30) ed entrambi accettano indicazioni sulla voce in linguaggio naturale, ma i limiti di richiesta differiscono nettamente: 600 caratteri contro 4096. seed-tts-2.0 offre anche parametri numerici della voce accanto al controllo descrittivo e pubblica le sue voci raggruppate per scenario. Scegli qwen3-tts-instruct-flash per il costo su battute brevi, seed-tts-2.0 per passaggi lunghi e un controllo della voce più fine.

Prezzi

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0 Δ
Per 1M caratteri $11.5 $30 0.38×

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

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
Streaming sì sì
SSML undocumented unsupported
Unità di fatturazione character character

Specifiche

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
Modalità di input testo testo
Modalità di output audio audio
Rilascio - 2025-10-16
Limite per richiesta 600 characters -
Voci

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.

Le voci TTS 2.0 hanno speaker ID *_uranus_bigtts e sono elencate per scenario (General, Entertainment, Education, Dubbing, AudioBook, RolePlay, CustomerService) nella pagina Voice List

emozione per singola voce tramite audio_params.emotion con emotion_scale da 1 a 5 (predefinito 4), speech_rate e loudness_rate in [-50, 100] e post_process.pitch in [-12, 12].

Lingue

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).

Inglese, cinese, giapponese, tedesco, francese, spagnolo messicano, bahasa indonesiano, portoghese brasiliano, italiano e coreano
Controllo della voce
  • 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
context_texts e section_id sono esclusivi di TTS 2.0: un'istruzione in linguaggio naturale governa velocità, emozione, volume e stile (ha effetto solo il primo valore dell'elenco, e il suo testo non viene fatturato), e section_id collega fino a 30 round o 10 minuti di sintesi precedente come contesto storico.
Limiti

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.

Integrazione tramite HTTP in streaming unidirezionale, WebSocket in streaming uni- o bidirezionale e SDK online

frequenza di campionamento 24K/16K/8K sulle interfacce in streaming unidirezionale e non in streaming, 48K/24K/16K/8K sull'interfaccia bidirezionale

output PCM, OGG_OPUS o MP3 (il WAV è accettato ma in streaming restituisce header multipli)

l'SSML non è supportato

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: Qwen3 TTS Instruct Flash · BytePlus Seed TTS 2.0

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

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 Qwen3 TTS Instruct Flash contro BytePlus Seed TTS 2.0 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