Qwen3 TTS Instruct Flash vs BytePlus Seed TTS 2.0
Qual usar e quando
O qwen3-tts-instruct-flash é 2.6x mais barato por milhão de caracteres ($11.5 contra $30) e os dois aceitam direção de voz em linguagem natural, mas os limites de requisição diferem bastante: 600 caracteres contra 4096. O seed-tts-2.0 oferece ainda parâmetros numéricos de voz ao lado do controle descritivo e publica suas vozes agrupadas por cenário. Escolha o qwen3-tts-instruct-flash pelo custo em falas curtas, o seed-tts-2.0 para passagens longas e controle de voz mais fino.
Preços
| Qwen3 TTS Instruct Flash | BytePlus Seed TTS 2.0 | Δ | |
|---|---|---|---|
| Por 1M caracteres | $11.5 | $30 | 0.38× |
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
| Qwen3 TTS Instruct Flash | BytePlus Seed TTS 2.0 | |
|---|---|---|
| Streaming | sim | sim |
| SSML | undocumented | unsupported |
| Unidade de cobrança | character | character |
Especificações
| Qwen3 TTS Instruct Flash | BytePlus Seed TTS 2.0 | |
|---|---|---|
| Modalidades de entrada | texto | texto |
| Modalidades de saída | áudio | áudio |
| Lançamento | - | 2025-10-16 |
| Limite por requisição | 600 characters | - |
| Vozes | 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. | As vozes do TTS 2.0 carregam speaker IDs *_uranus_bigtts e são listadas por cenário (General, Entertainment, Education, Dubbing, AudioBook, RolePlay, CustomerService) na página Voice List emoção por voz via audio_params.emotion com emotion_scale de 1 a 5 (padrão 4), speech_rate e loudness_rate em [-50, 100] e post_process.pitch em [-12, 12]. |
| Idiomas | 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). | Inglês, chinês, japonês, alemão, francês, espanhol mexicano, indonésio bahasa, português brasileiro, italiano e coreano |
| Controle de voz |
| context_texts e section_id são exclusivos do TTS 2.0: uma instrução em linguagem simples orienta ritmo, emoção, volume e estilo (apenas o primeiro valor da lista tem efeito, e seu texto não é cobrado), e section_id vincula até 30 rodadas ou 10 minutos de síntese anterior como contexto histórico. |
| Limites | 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. | Integração por HTTP com streaming unidirecional, WebSocket com streaming uni ou bidirecional e SDK online taxa de amostragem 24K/16K/8K nas interfaces de streaming unidirecional e sem streaming, 48K/24K/16K/8K na interface bidirecional saída PCM, OGG_OPUS ou MP3 (WAV é aceito, mas retorna múltiplos cabeçalhos em streaming) SSML não é suportado |
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: Qwen3 TTS Instruct Flash · BytePlus Seed TTS 2.0
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="qwen3-tts-instruct-flash",
# model="seed-tts-2.0", # descomente esta linha, comente a linha acima
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: "qwen3-tts-instruct-flash",
// model: "seed-tts-2.0", // descomente esta linha, comente a linha acima
file: fs.createReadStream("meeting.mp3"),
});
console.log(resp.text);curl https://synthorai.io/v1/audio/transcriptions \
-H "Authorization: Bearer sk-syn-..." \
-F model="qwen3-tts-instruct-flash" \
# -F model="seed-tts-2.0" \ # descomente esta linha, comente a linha acima
-F file=@meeting.mp3package 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: "qwen3-tts-instruct-flash",
// Model: "seed-tts-2.0", // descomente esta linha, comente a linha acima
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("qwen3-tts-instruct-flash")
// .model("seed-tts-2.0") // descomente esta linha, comente a linha acima
.file(Paths.get("meeting.mp3"))
.build()).asTranscription();
System.out.println(resp.text());Perguntas frequentes
Qual é mais barato, Qwen3 TTS Instruct Flash ou BytePlus Seed TTS 2.0?
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 Qwen3 TTS Instruct Flash contra BytePlus Seed TTS 2.0 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.