Qwen3 TTS Instruct Flash vs TTS-1 HD

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 $11.5 対 $30、およそ 2.6 分の 1 で、二つのうち自然な言葉で声を指示できるのはこちらだけです — tts-1-hd に音声制御はありません。代償はリクエストの大きさで、600 文字 対 4096、長い原稿は分割が要ります。どちらもストリーミングします。長い文章を一度に読ませるなら tts-1-hd、演出を付けた短い台詞を安く回すなら qwen3-tts-instruct-flash。

料金

Qwen3 TTS Instruct Flash TTS-1 HD Δ
100 万文字あたり $11.5 $30 0.38×

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

Qwen3 TTS Instruct Flash TTS-1 HD
ストリーミング あり あり
SSML undocumented undocumented
課金単位 character character

仕様

Qwen3 TTS Instruct Flash TTS-1 HD
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 - 2023-11-06
リクエストあたりの上限 600 characters 4096 characters
ボイス 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。 alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer。全 13 種類の TTS ボイスリストより少ないセットで、ボイスは現在英語向けに最適化されています。
言語 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。 おおむね Whisper モデルの言語対応に準じます:アフリカーンス語、アラビア語、アルメニア語、アゼルバイジャン語、ベラルーシ語、ボスニア語、ブルガリア語、カタルーニャ語、中国語、クロアチア語、チェコ語、デンマーク語、オランダ語、英語、エストニア語、フィンランド語、フランス語、ガリシア語、ドイツ語、ギリシャ語、ヘブライ語、ヒンディー語、ハンガリー語、アイスランド語、インドネシア語、イタリア語、日本語、カンナダ語、カザフ語、韓国語、ラトビア語、リトアニア語、マケドニア語、マレー語、マラーティー語、マオリ語、ネパール語、ノルウェー語、ペルシア語、ポーランド語、ポルトガル語、ルーマニア語、ロシア語、セルビア語、スロバキア語、スロベニア語、スペイン語、スワヒリ語、スウェーデン語、タガログ語、タミル語、タイ語、トルコ語、ウクライナ語、ウルドゥー語、ベトナム語、ウェールズ語。ただしボイスは英語向けに最適化されています
ボイス調整
  • 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
none
制限 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。 音声生成エンドポイント(v1/audio/speech)のみで、Chat Completions、Responses、Realtime、Batch、ファインチューニングはいずれも非対応と記載されています。入力テキストは 4096 文字まで。出力は mp3(デフォルト)、opus、aac、flac、wav、pcm(生の 24 kHz 16-bit 符号付きリトルエンディアンのサンプル)。チャンク転送エンコーディングによるリアルタイム再生に対応。

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: Qwen3 TTS Instruct Flash · TTS-1 HD

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="qwen3-tts-instruct-flash",
    # model="tts-1-hd",  # 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

Qwen3 TTS Instruct Flash と TTS-1 HD 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。

Qwen3 TTS Instruct Flash と TTS-1 HD 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