Qwen3 TTS Instruct Flash vs BytePlus Seed TTS 2.0

vs

언제 어떤 모델을 쓸까

qwen3-tts-instruct-flash는 100만 자당 2.6배 저렴하고($11.5 대 $30) 둘 다 자연어 음성 지시를 받지만 요청 상한이 크게 다릅니다: 600자 대 4096자. seed-tts-2.0은 서술식 제어에 더해 수치형 음성 파라미터도 제공하고 음성을 시나리오별로 묶어 공개합니다. 짧은 대사의 비용이면 qwen3-tts-instruct-flash, 긴 문단과 더 세밀한 음성 제어면 seed-tts-2.0을 고르세요.

가격

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

빌드 시점에 실시간 카탈로그에서 가져온 요금입니다. 현재 요금은 각 모델 페이지에서 확인할 수 있습니다.

가격 위치: 이 과금 단위를 쓰는 음성 합성 모델 7개 전체의 1M 문자당 가격(로그 스케일)

기능

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
스트리밍 지원 지원
SSML undocumented unsupported
과금 단위 character character

사양

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
입력 모달리티 텍스트 텍스트
출력 모달리티 오디오 오디오
출시일 - 2025-10-16
요청 제한 600 characters -
보이스 한 줄짜리 페르소나와 함께 공개된 시스템 보이스로, Cherry(밝고 긍정적이며 친근하고 자연스러운 젊은 여성), Serena, Ethan, Chelsie, Momo, Vivian, Moon, Maia, Kai, Nofish(권설음을 발음하지 못하는 디자이너), Bella, Eldric Sage, Mia, Mochi, Bellona, Vincent, Bunny, Neil, Elias, Arthur, Nini, Seren, Pip, Stella가 있습니다. Qwen-TTS 보이스 목록은 각 보이스를 그 보이스를 받아들이는 정확한 모델 id와 짝지어 둡니다. TTS 2.0 음성은 *_uranus_bigtts 화자 ID를 사용하며 Voice List 페이지에 시나리오별(General, Entertainment, Education, Dubbing, AudioBook, RolePlay, CustomerService)로 정리되어 있습니다. 음성별 감정은 audio_params.emotion으로 지정하고 emotion_scale은 1에서 5까지(기본값 4), speech_rate와 loudness_rate는 [-50, 100], post_process.pitch는 [-12, 12] 범위입니다.
언어 중국어(표준어), 영어, 독일어, 이탈리아어, 포르투갈어, 스페인어, 일본어, 한국어, 프랑스어, 러시아어. language_type은 혼합 언어이거나 판별되지 않은 입력에 대해 Auto가 기본값이며, Alibaba는 이 값이 정확도를 보장하지 않는다고 문서화합니다. 단일 언어를 지정하면 합성 품질이 크게 향상된다고 명시되어 있습니다. Qwen3-TTS-Flash 시리즈와 달리 Instruct 시리즈에는 중국어 방언 보이스(베이징, 상하이, 쓰촨, 난징, 산시, 민난, 톈진, 광둥)가 없습니다. 영어, 중국어, 일본어, 독일어, 프랑스어, 멕시코 스페인어, 인도네시아어, 브라질 포르투갈어, 이탈리아어, 한국어
음성 제어
  • instructions는 자연어로 속도, 감정, 스타일을 조정하며 최대 1,600 토큰이고 중국어와 영어에 대해서만 문서화됨
  • optimize_instructions(기본값 false)는 지시문을 합성에 더 적합한 지시로 다시 쓰며 instructions가 비어 있으면 효과가 없음
  • 보이스 클로닝과 보이스 디자인은 이 모델 id에서 미지원으로 표기됨
context_texts와 section_id는 TTS 2.0 전용입니다. 평이한 문장으로 된 지시가 속도, 감정, 음량, 스타일을 조절하고(목록의 첫 값만 적용되며 그 텍스트는 과금되지 않음), section_id는 앞선 합성을 최대 30회 또는 10분까지 이력 컨텍스트로 연결합니다.
제한 HTTP 비실시간 음성 합성 API이며, -realtime 접미사가 WebSocket 형제 모델을 표시합니다. 입력 텍스트는 600자로 제한되고 다국어 혼합 입력이 허용됩니다. 비스트리밍은 24시간 동안 유효한 오디오 파일 URL을 반환하고, 스트리밍은 Base64로 인코딩된 PCM을 청크로 반환하면서 URL은 마지막 패킷에만 담으며 공식 샘플에서는 24 kHz 모노 16비트 오디오로 재생됩니다. 과금은 입력 텍스트 문자 수 기준이며 usage.characters로 보고됩니다(Qwen3-TTS 시리즈에서 input_tokens와 output_tokens는 항상 0입니다). 출력 오디오는 무료입니다.

단방향 스트리밍 HTTP, 단방향 또는 양방향 스트리밍 WebSocket, 온라인 SDK로 연동

샘플링 레이트는 단방향 스트리밍 및 비스트리밍 인터페이스에서 24K/16K/8K, 양방향 인터페이스에서 48K/24K/16K/8K

출력은 PCM, OGG_OPUS 또는 MP3(WAV도 허용되지만 스트리밍 시 헤더가 여러 개 반환됨)

SSML 미지원

사양은 각 공급자의 문서에서 그대로 옮겨 적었습니다. 공급자가 공개하지 않은 항목은 추정해 채우지 않고 뺐습니다. 전체 출처: Qwen3 TTS Instruct Flash · BytePlus Seed TTS 2.0

코드 한 줄로 모델 전환

아래 탭마다 두 모델 id가 모두 들어 있습니다. 바꿀 곳은 강조된 두 줄뿐이고, 엔드포인트, 키, 요청 형식은 그대로입니다.

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",  # 이 줄의 주석을 해제하고, 윗줄을 주석 처리하세요
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

API 키 받기 →

자주 묻는 질문

Qwen3 TTS Instruct Flash vs BytePlus Seed TTS 2.0, 어느 쪽이 더 저렴한가요?

1M 문자당 기준으로는 Qwen3 TTS Instruct Flash 쪽이 더 저렴합니다($11.5 대 $30, 2.6배 차이). 다른 항목에서는 반대일 수 있습니다. 전체 요금은 위 표에 있으며, 실제 비용은 사용 패턴에 따라 달라집니다.

연동을 두 번 하지 않고도 Qwen3 TTS Instruct Flash vs BytePlus Seed TTS 2.0 A/B 테스트를 할 수 있나요?

네. 두 모델 모두 API 키 하나로 같은 OpenAI 호환 엔드포인트에서 호출합니다. 모델 문자열 한 줄만 바꾸면 전환되므로, 트래픽 일부를 각 모델로 보내 청구 금액을 직접 비교할 수 있습니다.

음성 합성(TTS)은 어떻게 과금되나요?

입력 텍스트의 글자 수만큼 과금되며, 요청당 글자 수 상한은 사양 표에 있습니다. 긴 스크립트는 어느 모델이든 여러 요청으로 나눠 보내야 합니다.

관련 비교

직접 측정한 자료