Google TTS Chirp 3 HD vs Qwen3 TTS Instruct Flash

vs

Qual usar e quando

O qwen3-tts-instruct-flash é 2.6x mais barato por milhão de caracteres ($11.5 contra $30) e aceita direção de voz em linguagem simples, mas só admite 600 caracteres por requisição contra 5000 bytes no google-tts-chirp3-hd, então textos longos precisam ser divididos. O modelo do Google cobre a lista de locais mais ampla e expõe parâmetros numéricos de voz, com SSML em prévia. Escolha o qwen3-tts-instruct-flash para falas curtas com uma intenção descrita, o google-tts-chirp3-hd para texto longo e amplitude de locais.

Preços

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash Δ
Por 1M caracteres $30 $11.5 2.6×

Tarifas do catálogo em tempo real, lidas no momento do build; a página de cada modelo traz a tabela de preços atual.

Onde cada um fica: preço por 1M caracteres entre os 7 modelos de síntese de voz com esta unidade de cobrança (escala logarítmica)

Capacidades

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
Streaming sim sim
SSML preview undocumented
Unidade de cobrança character character

Especificações

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
Modalidades de entrada texto texto
Modalidades de saída áudio áudio
Lançamento 2025-03 -
Limite por requisição 5000 bytes 600 characters
Vozes As vozes recebem nomes de estrelas e são publicadas com um gênero: 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 e Zubenelgenubi. Um prefixo de locale forma o id, por exemplo en-US-Chirp3-HD-Charon. O Google descreve o conjunto como 30 estilos distintos em muitos idiomas.

Vozes do sistema publicadas com personas de uma linha, entre elas Cherry (uma jovem alegre, positiva, amigável e natural), Serena, Ethan, Chelsie, Momo, Vivian, Moon, Maia, Kai, Nofish (um designer que não consegue pronunciar sons retroflexos), Bella, Eldric Sage, Mia, Mochi, Bellona, Vincent, Bunny, Neil, Elias, Arthur, Nini, Seren, Pip e Stella

a lista de vozes do Qwen-TTS associa cada voz aos ids de modelo exatos que a aceitam.

Idiomas 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 e vi-VN.

Chinês (mandarim), inglês, alemão, italiano, português, espanhol, japonês, coreano, francês e russo. language_type assume Auto por padrão para entrada em idiomas mistos ou indeterminada, o que a Alibaba documenta como não garantindo precisão

nomear um único idioma está documentado como capaz de melhorar significativamente a qualidade da síntese. Diferentemente da série Qwen3-TTS-Flash, a série Instruct não lista vozes de dialetos chineses (Pequim, xangainês, Sichuan, Nanquim, Shaanxi, hokkien, Tianjin, cantonês).

Controle de voz
  • Os controles de voz são Preview: ritmo via speaking_rate de 0.25 a 2.0
  • tags de pausa [pause short], [pause long] e [pause] aceitas apenas no campo de entrada markup, nunca em text, e o modelo pode desconsiderar tags colocadas de forma não natural
  • pronúncias customizadas em IPA ou X-SAMPA
  • o suporte a SSML é Preview e apenas síncrono, não suportado em requisições de streaming, com as tags não listadas ignoradas e say-as interpret-as=expletive ou bleep não suportados
  • instructions orienta velocidade, emoção e estilo em linguagem natural, com até 1.600 tokens e documentado apenas para chinês e inglês
  • optimize_instructions (padrão false) reescreve a instrução em uma diretriz mais adequada à síntese e não tem efeito quando instructions está vazio
  • clonagem de voz e design de voz são ambos listados como não suportados para este id de modelo
Limites

Limite de conteúdo de 5.000 bytes no total por requisição de síntese. Formato de resposta padrão LINEAR16

o streaming suporta ALAW, MULAW, OGG_OPUS e PCM, e o modo em lote acrescenta MP3, de modo que MP3 não está disponível no caminho de streaming. É o único tipo de voz que a tabela comparativa do Google marca como capaz de streaming. Em disponibilidade geral nos endpoints global, us e eu, além de asia-southeast1, europe-west2 e asia-northeast1, mas fora do escopo de regionalização e residência de dados. Cobrado por caractere, incluindo espaços e quebras de linha, com todas as tags SSML exceto <mark> contadas.

API HTTP de síntese de fala não em tempo real

o sufixo -realtime marca o irmão em WebSocket. Texto de entrada limitado a 600 caracteres, com entrada mista multilíngue permitida. Sem streaming, retorna a URL de um arquivo de áudio válida por 24 horas

com streaming, retorna PCM codificado em Base64 em chunks, com a URL apenas no pacote final, reproduzido nos exemplos oficiais como áudio mono de 24 kHz e 16 bits. Cobrado por caracteres do texto de entrada, informados em usage.characters (input_tokens e output_tokens são sempre 0 na série Qwen3-TTS)

o áudio de saída é gratuito.

As especificações são transcritas da documentação de cada provedor; quando um provedor não publica um dado, a linha é omitida, e não inferida. Fontes completas: Google TTS Chirp 3 HD · Qwen3 TTS Instruct Flash

Troque de um para o outro mudando uma linha

Os dois ids estão em todas as abas abaixo; o par de linhas destacado é a única alteração. O endpoint, a chave e o formato da requisição são os mesmos.

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",  # descomente esta linha, comente a linha acima
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

Obtenha sua chave de API →

Perguntas frequentes

Qual é mais barato, Google TTS Chirp 3 HD ou Qwen3 TTS Instruct Flash?

Qwen3 TTS Instruct Flash sai mais barato na linha “Por 1M caracteres” ($11.5 contra $30, 2.6× de diferença). Outras linhas podem pender para o outro lado: a tabela acima mostra todos os preços, e o custo real depende do seu mix de uso.

Posso fazer um teste A/B de Google TTS Chirp 3 HD contra Qwen3 TTS Instruct Flash sem duas integrações?

Sim. Os dois são servidos pelo mesmo endpoint compatível com OpenAI, com uma única chave de API. Para trocar, basta mudar uma linha, a string do modelo; assim você pode direcionar uma parte do tráfego para cada um e comparar as contas diretamente.

Como o text-to-speech é cobrado?

Por caractere do texto de entrada, com um limite de caracteres por requisição indicado na tabela de especificações. Nos dois modelos, textos longos precisam ser divididos em várias requisições.

Comparações relacionadas

Dos nossos estudos com medições