Qwen3 TTS Instruct Flash vs TTS-1 HD
Qual usar e quando
O qwen3-tts-instruct-flash custa $11.5 por milhão de caracteres contra $30, cerca de 2.6x menos, e é o único dos dois que permite dirigir a voz em linguagem natural - o tts-1-hd não expõe controle de voz. A troca é o tamanho da requisição, 600 caracteres contra 4096, então textos longos precisam ser divididos. Os dois fazem streaming. Escolha o tts-1-hd para passagens longas numa só chamada, o qwen3-tts-instruct-flash para falas curtas dirigidas a menor custo.
Preços
| Qwen3 TTS Instruct Flash | TTS-1 HD | 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 | TTS-1 HD | |
|---|---|---|
| Streaming | sim | sim |
| SSML | undocumented | undocumented |
| Unidade de cobrança | character | character |
Especificações
| Qwen3 TTS Instruct Flash | TTS-1 HD | |
|---|---|---|
| Modalidades de entrada | texto | texto |
| Modalidades de saída | áudio | áudio |
| Lançamento | - | 2023-11-06 |
| Limite por requisição | 600 characters | 4096 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. | alloy, ash, coral, echo, fable, onyx, nova, sage e shimmer, um conjunto menor que a lista completa de 13 vozes de TTS, e as vozes estão atualmente otimizadas para inglês. |
| 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). | Segue de modo geral o suporte a idiomas do modelo Whisper: africâner, árabe, armênio, azerbaijano, bielorrusso, bósnio, búlgaro, catalão, chinês, croata, tcheco, dinamarquês, holandês, inglês, estoniano, finlandês, francês, galego, alemão, grego, hebraico, híndi, húngaro, islandês, indonésio, italiano, japonês, canarês, cazaque, coreano, letão, lituano, macedônio, malaio, marati, maori, nepalês, norueguês, persa, polonês, português, romeno, russo, sérvio, eslovaco, esloveno, espanhol, suaíli, sueco, tagalo, tâmil, tailandês, turco, ucraniano, urdu, vietnamita e galês, embora as vozes sejam otimizadas para inglês |
| Controle de voz |
| none |
| 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. | Apenas no endpoint de geração de fala (v1/audio/speech), com Chat Completions, Responses, Realtime, Batch e Fine-tuning listados como não suportados o texto de entrada é limitado a 4096 caracteres saída em mp3 (padrão), opus, aac, flac, wav ou pcm (amostras brutas de 24 kHz, 16 bits, com sinal, little-endian) reprodução em tempo real via chunked transfer encoding |
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 · TTS-1 HD
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="tts-1-hd", # 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: "tts-1-hd", // 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="tts-1-hd" \ # 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: "tts-1-hd", // 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("tts-1-hd") // 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 TTS-1 HD?
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 TTS-1 HD 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.