Qwen3 TTS Instruct Flash vs TTS-1 HD

vs

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
  • 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
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)

Obtenha sua chave de API →

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.

Comparações relacionadas

Dos nossos estudos com medições