Google TTS Chirp 3 HD vs Qwen3 TTS Instruct Flash

vs

どんなときに、どちらを選ぶか

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
100 万文字あたり $30 $11.5 2.6×

ビルド時点の現行カタログの料金です。最新の料金表は各モデルのページに掲載しています。

両モデルの位置:100 万文字あたりの料金(この課金単位の音声合成モデル全 7 件、対数スケール)

対応機能

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
リリース 2025-03 -
リクエストあたりの上限 5000 bytes 600 characters
ボイス ボイスは星にちなんで命名され、性別とともに公開されています: 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、Zubenelgenubi。ロケールのプレフィックスが id を形成します(例: en-US-Chirp3-HD-Charon)。Google はこのセットを、多くの言語にわたる 30 種類の異なるスタイルと説明しています。 1 行のペルソナ付きで公開されているシステムボイス。Cherry(明るく前向きで親しみやすい自然な若い女性)、Serena、Ethan、Chelsie、Momo、Vivian、Moon、Maia、Kai、Nofish(そり舌音を発音できないデザイナー)、Bella、Eldric Sage、Mia、Mochi、Bellona、Vincent、Bunny、Neil、Elias、Arthur、Nini、Seren、Pip、Stella などがあります。Qwen-TTS のボイスリストは、各ボイスをそれを受け付ける正確なモデル id と対応づけています。
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、vi-VN。 中国語(標準語)、英語、ドイツ語、イタリア語、ポルトガル語、スペイン語、日本語、韓国語、フランス語、ロシア語。language_type は混在言語または未確定の入力に対して既定で Auto となりますが、Alibaba はこれを精度を保証しないものとして文書化しています。単一の言語を指定すると合成品質が大幅に向上すると記載されています。Qwen3-TTS-Flash シリーズとは異なり、Instruct シリーズは中国語の方言ボイス(北京、上海、四川、南京、陝西、閩南、天津、広東)を掲載していません。
ボイス調整
  • ボイス制御はプレビューです: 話速は speaking_rate の 0.25 から 2.0
  • ポーズタグ [pause short]、[pause long]、[pause] は markup 入力フィールドでのみ受け付けられ、text では決して受け付けられず、不自然な位置に置かれたタグはモデルが無視する場合があります
  • カスタム発音は IPA または X-SAMPA
  • SSML 対応はプレビューかつ同期専用で、ストリーミングリクエストでは非対応、掲載のないタグは無視され、say-as の interpret-as=expletive と bleep は非対応です
  • instructions は自然言語で速度、感情、スタイルを誘導し、最大 1,600 トークンで中国語と英語についてのみ文書化されています
  • optimize_instructions(既定は false)は指示を合成により適した指示文へ書き換えるもので、instructions が空の場合は効果がありません
  • ボイスクローニングとボイスデザインはいずれもこのモデル id では非対応と記載されています
制限 synthesize リクエスト 1 件あたり合計 5,000 バイトのコンテンツ上限。既定のレスポンス形式は LINEAR16。ストリーミングは ALAW、MULAW、OGG_OPUS、PCM に対応し、バッチではさらに MP3 が加わるため、MP3 はストリーミング経路では利用できません。Google の比較表がストリーミング対応と記している唯一のボイスタイプです。global、us、eu の各エンドポイントに加え asia-southeast1、europe-west2、asia-northeast1 で一般提供されていますが、リージョン化とデータレジデンシーの対象範囲外です。課金はスペースと改行を含む文字単位で、<mark> を除くすべての SSML タグが数えられます。 HTTP の非リアルタイム音声合成 API。-realtime サフィックスは WebSocket 版の兄弟モデルを示します。入力テキストは 600 文字が上限で、多言語の混在入力が可能。非ストリーミングでは 24 時間有効な音声ファイルの URL が返ります。ストリーミングでは Base64 エンコードされた PCM がチャンクで返り、URL は最終パケットにのみ含まれ、公式サンプルでは 24 kHz モノラル 16-bit オーディオとして再生されます。課金は入力テキストの文字数で、usage.characters として報告されます(Qwen3-TTS シリーズでは input_tokens と output_tokens は常に 0)。出力音声は無料です。

仕様は各ベンダーのドキュメントから転記しています。ベンダーが公表していない項目は、推測で埋めずに省いています。 出典の一覧: Google TTS Chirp 3 HD · Qwen3 TTS Instruct Flash

1 行の変更で切り替え

以下のどのタブにも両方のモデル ID が入っています。書き換えるのはハイライトされた 2 行だけで、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",  # この行のコメントを外し、上の行をコメントアウト
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

API キーを取得 →

よくある質問

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

100 万文字あたりは Qwen3 TTS Instruct Flash のほうが安くなります($11.5 対 $30、2.6 倍の差)。ほかの行では逆になることもあります。料金の全体は上の表に掲載しており、実際のコストは利用の内訳によって変わります。

Google TTS Chirp 3 HD と Qwen3 TTS Instruct Flash の A/B テストは、実装を 2 つ用意せずにできますか?

はい。どちらも同じ OpenAI 互換エンドポイントから 1 つの API キーで利用できます。切り替えはモデル名の文字列を 1 行変えるだけなので、トラフィックの一部をそれぞれに振り分けて、請求額を直接比較できます。

音声合成(Text-to-Speech)の課金方法は?

入力テキストの文字数に応じて課金されます。1 リクエストあたりの文字数上限は仕様表に掲載しています。どちらのモデルでも、長い原稿は複数のリクエストに分けて送る必要があります。

関連する比較

当社の実測レポートより