Google TTS Chirp 3 HD vs Qwen3 TTS Instruct Flash

Q: Google TTS Chirp 3 HD と Qwen3 TTS Instruct Flash ではどちらが安いですか？

1m文字あたり においては Qwen3 TTS Instruct Flash の方が安価です（$11.5 対 $30、2.6× の差）。他の行では逆になる可能性があります — 上の表には完全な情報が記載されており、実際のコストは組み合わせに依存します。

どちらかを変更 vs

いつ、どちらを使うべきか — ベンチマーク表ではなく、厳選された評価

qwen3-tts-instruct-flash は 100万文字あたり 2.6 分の 1($11.5 対 $30)で、平易な言葉で声を指示できます。ただし 1 リクエストで受け付けるのは 600 文字、google-tts-chirp3-hd は 5000 バイトなので、長い原稿は分割が必要です。Google のモデルはロケールの幅が広く、数値パラメータによる音声制御を備え、SSML はプレビューです。短い台詞に演出を添えるなら qwen3-tts-instruct-flash、長文とロケールの広さなら google-tts-chirp3-hd を選んでください。

料金

	Google TTS Chirp 3 HD	Qwen3 TTS Instruct Flash	Δ
1M文字あたり	$30	$11.5	2.6×

ビルド時のライブカタログの料金です。各モデルのページには現在の料金カードが記載されています。

位置付け — この課金単位におけるすべての7個のテキスト音声変換モデル全体の1M文字あたりの料金 (対数スケール)

Google TTS Chirp 3 HD · $30 Qwen3 TTS Instruct Flash · $11.5

$4 · Google TTS Standard $30 · Google TTS Chirp 3 HD

機能

	Google TTS Chirp 3 HD	Qwen3 TTS Instruct Flash
ストリーミング	あり	あり
SSML	preview	undocumented
課金単位	character	character

仕様

	Google TTS Chirp 3 HD	Qwen3 TTS Instruct Flash
入力モダリティ	テキスト	テキスト
出力モダリティ	音声	音声
リクエスト制限	5000 bytes	600 characters
ボイス	Voices are named after stars and published with a gender: 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 and Zubenelgenubi. A locale prefix forms the id, e.g. en-US-Chirp3-HD-Charon. Google describes the set as 30 distinct styles across many languages.	System voices published with one-line personas, among them Cherry (a sunny, positive, friendly and natural young woman), Serena, Ethan, Chelsie, Momo, Vivian, Moon, Maia, Kai, Nofish (a designer who cannot pronounce retroflex sounds), Bella, Eldric Sage, Mia, Mochi, Bellona, Vincent, Bunny, Neil, Elias, Arthur, Nini, Seren, Pip and Stella the Qwen-TTS voice list pairs each voice with the exact model ids that accept it.
言語	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 and vi-VN.	Chinese (Mandarin), English, German, Italian, Portuguese, Spanish, Japanese, Korean, French and Russian. language_type defaults to Auto for mixed-language or undetermined input, which Alibaba documents as not guaranteeing accuracy naming a single language is documented to significantly improve synthesis quality. Unlike the Qwen3-TTS-Flash series, the Instruct series lists no Chinese dialect voices (Beijing, Shanghainese, Sichuan, Nanjing, Shaanxi, Hokkien, Tianjin, Cantonese).
音声コントロール	Voice controls are Preview: pace via speaking_rate 0.25 to 2.0 pause tags [pause short], [pause long] and [pause] accepted only in the markup input field, never in text, and the model may disregard tags placed unnaturally custom pronunciations in IPA or X-SAMPA SSML support is Preview and synchronous-only, unsupported for streaming requests, with unlisted tags ignored and say-as interpret-as=expletive or bleep not supported	instructions steers speed, emotion and style in natural language, up to 1,600 tokens and documented for Chinese and English only optimize_instructions (default false) rewrites the instruction into a directive better suited to synthesis and has no effect when instructions is empty voice cloning and voice design are both listed as unsupported for this model id
制限	Content limit of 5,000 total bytes per synthesize request. Default response format LINEAR16 streaming supports ALAW, MULAW, OGG_OPUS and PCM, batch adds MP3, so MP3 is not available on the streaming path. The only voice type Google's comparison table marks as streaming-capable. Generally available in the global, us and eu endpoints plus asia-southeast1, europe-west2 and asia-northeast1, but out of scope for regionalization and data residency. Billed per character including spaces and newlines, with all SSML tags except <mark> counted.	HTTP non-real-time speech synthesis API the -realtime suffix marks the WebSocket sibling. Input text capped at 600 characters, multilingual mixed input allowed. Non-streaming returns an audio file URL valid for 24 hours streaming returns Base64-encoded PCM in chunks with the URL only in the final packet, played back in the official samples as 24 kHz mono 16-bit audio. Billed by input text characters, reported as usage.characters (input_tokens and output_tokens are always 0 on the Qwen3-TTS series) output audio is free.

仕様は各ベンダーのドキュメントから転記されています。ベンダーが公開していない行は推測せず、省略しています。すべての出典: Google TTS Chirp 3 HD · Qwen3 TTS Instruct Flash

1行で切り替え

以下のすべてのタブには両方のIDが含まれています — 変更箇所はハイライトされた2行のみです。エンドポイント、キー、リクエスト形式はすべて同じです。

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",  # この行をアンコメントし、上の行をコメントアウトします
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

import OpenAI from "openai";
import fs from "node:fs";

const client = new OpenAI({
  baseURL: "https://synthorai.io/v1",
  apiKey: "sk-syn-...",
});

const resp = await client.audio.transcriptions.create({
  model: "google-tts-chirp3-hd",
  // model: "qwen3-tts-instruct-flash",  // この行をアンコメントし、上の行をコメントアウトします
  file: fs.createReadStream("meeting.mp3"),
});
console.log(resp.text);

curl https://synthorai.io/v1/audio/transcriptions \
  -H "Authorization: Bearer sk-syn-..." \
  -F model="google-tts-chirp3-hd" \
  # -F model="qwen3-tts-instruct-flash" \  # この行をアンコメントし、上の行をコメントアウトします
  -F file=@meeting.mp3

package main

import (
	"context"
	"fmt"
	"os"

	"github.com/openai/openai-go/v3"
	"github.com/openai/openai-go/v3/option"
)

func main() {
	client := openai.NewClient(
		option.WithBaseURL("https://synthorai.io/v1"),
		option.WithAPIKey("sk-syn-..."),
	)
	f, _ := os.Open("meeting.mp3")
	resp, _ := client.Audio.Transcriptions.New(context.TODO(), openai.AudioTranscriptionNewParams{
		Model: "google-tts-chirp3-hd",
		// Model: "qwen3-tts-instruct-flash",  // この行をアンコメントし、上の行をコメントアウトします
		File:  f,
	})
	fmt.Println(resp.Text)
}

import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.audio.transcriptions.*;
import java.nio.file.Paths;

OpenAIClient client = OpenAIOkHttpClient.builder()
    .baseUrl("https://synthorai.io/v1")
    .apiKey("sk-syn-...")
    .build();

Transcription resp = client.audio().transcriptions().create(
    TranscriptionCreateParams.builder()
        .model("google-tts-chirp3-hd")
        // .model("qwen3-tts-instruct-flash")  // この行をアンコメントし、上の行をコメントアウトします
        .file(Paths.get("meeting.mp3"))
        .build()).asTranscription();
System.out.println(resp.text());

APIキーを取得する →

FAQ

Google TTS Chirp 3 HD と Qwen3 TTS Instruct Flash ではどちらが安いですか？

1m文字あたりにおいては Qwen3 TTS Instruct Flash の方が安価です（$11.5 対 $30、2.6× の差）。他の行では逆になる可能性があります — 上の表には完全な情報が記載されており、実際のコストは組み合わせに依存します。

2つの統合を行わずに Google TTS Chirp 3 HD と Qwen3 TTS Instruct Flash のA/Bテストを実施できますか？

はい。両方とも1つのAPIキーで同じOpenAI互換エンドポイントを通じて提供されます — モデル文字列を1行変更するだけで切り替えられるため、トラフィックの一部をそれぞれにルーティングし、請求額を直接比較できます。

Text-to-Speechはどのように課金されますか？

入力テキストの1文字あたりの課金となり、リクエストごとの文字数上限はスペック表に記載されています。どちらのモデルでも、長いスクリプトは複数のリクエストに分割する必要があります。

料金

機能

仕様

1行で切り替え

FAQ

関連する比較