Google TTS Chirp 3 HD vs Qwen3 TTS Instruct Flash

vs

什麼情況選哪一個

qwen3-tts-instruct-flash 每百萬字元便宜 2.6 倍($11.5 對 $30),並且能用自然語言指揮音色,但它每次請求只接受 600 個字元,而 google-tts-chirp3-hd 是 5000 位元組,所以長文案必須切分。Google 這一款涵蓋更寬的語言區列表,提供數值型語音參數,SSML 處於預覽。要為短句描述交付方式選 qwen3-tts-instruct-flash,長文字和語言區廣度選 google-tts-chirp3-hd。

定價

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

費率取自網站建置時的即時目錄;各模型頁面都列有最新的價目。

兩者的相對位置:每 1M 字元的價格,涵蓋同一計費單位下全部 7 個文字轉語音模型(對數尺度)

功能

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
串流 是 是
SSML preview undocumented
計費單位 character character

規格

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
輸入模態 文字 文字
輸出模態 音訊 音訊
發布日期 2025-03 -
請求限制 5000 bytes 600 characters
聲音 音色以星體命名並附有性別: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 與 Zubenelgenubi。加上語言區域前綴即構成 id,例如 en-US-Chirp3-HD-Charon。Google 把這組音色描述為跨多種語言的 30 種不同風格。 系統音色隨附一行人設說明,其中包括 Cherry(陽光、正向、友善而自然的年輕女性)、Serena、Ethan、Chelsie、Momo、Vivian、Moon、Maia、Kai、Nofish(發不出捲舌音的設計師)、Bella、Eldric Sage、Mia、Mochi、Bellona、Vincent、Bunny、Neil、Elias、Arthur、Nini、Seren、Pip 與 Stella;Qwen-TTS 音色清單為每一個音色標出確切接受它的模型 id。
語言 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 與 vi-VN。 中文(普通話)、英語、德語、義大利語、葡萄牙語、西班牙語、日語、韓語、法語與俄語。對混合語言或無法判定的輸入,language_type 預設為 Auto,阿里巴巴的文件記載這並不保證準確率;而指定單一語言則被記載為能顯著提升合成品質。與 Qwen3-TTS-Flash 系列不同,Instruct 系列未列出任何中文方言音色(北京話、上海話、四川話、南京話、陝西話、閩南語、天津話、粵語)。
聲音控制
  • 音色控制項皆為 Preview:以 speaking_rate 0.25 到 2.0 控制語速
  • [pause short]、[pause long] 與 [pause] 停頓標籤只在 markup 輸入欄位中被接受,絕不能放進 text,且標籤若擺放得不自然,模型可能會無視
  • 以 IPA 或 X-SAMPA 標註的自訂發音
  • SSML 支援為 Preview 且僅限同步,串流請求不支援,未列出的標籤會被忽略,say-as interpret-as=expletive 或 bleep 不受支援
  • instructions 以自然語言調控語速、情緒與風格,上限 1,600 個 token,且文件只記載中文與英語
  • optimize_instructions(預設 false)會把指令改寫成更適合合成的指示,instructions 為空時不起作用
  • 音色複製與音色設計在這個模型 id 上都被列為不支援
限制 每次 synthesize 請求的內容上限為 5,000 位元組。預設回應格式為 LINEAR16;串流支援 ALAW、MULAW、OGG_OPUS 與 PCM,批次另加 MP3,因此 MP3 在串流路徑上不可用。它是 Google 對照表中唯一標記為具備串流能力的音色類型。已在 global、us 與 eu 端點以及 asia-southeast1、europe-west2 與 asia-northeast1 上正式發布,但不在區域化與資料落地的範圍內。按字元計費,含空格與換行,且除 <mark> 以外的所有 SSML 標籤都計入。 HTTP 非即時語音合成 API;-realtime 後綴標示的是它的 WebSocket 同門。輸入文字上限 600 個字元,允許多語言混合輸入。非串流回傳有效期 24 小時的音訊檔案 URL;串流以分塊回傳 Base64 編碼的 PCM,URL 只出現在最後一個資料包中,官方範例把它以 24 kHz 單聲道 16-bit 音訊播放。按輸入文字字元計費,回報於 usage.characters(在 Qwen3-TTS-Flash 上 input_tokens 與 output_tokens 恆為 0);輸出音訊免費。

規格摘錄自各供應商的文件;供應商沒有公布的項目就直接略過,不自行推測。 完整來源: Google TTS Chirp 3 HD · Qwen3 TTS Instruct Flash

改一行程式碼就能在兩者之間切換

下面每個頁籤都列了這兩個模型 ID,要改的只有醒目標示的那兩行。端點、金鑰和請求格式都不變。

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",  # 取消這一行的註解,並把上一行註解掉
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

取得 API 金鑰 →

常見問題

Google TTS Chirp 3 HD 和 Qwen3 TTS Instruct Flash 哪個比較便宜?

以「每 1M 字元」來看,Qwen3 TTS Instruct Flash 比較便宜($11.5 對 $30,相差 2.6×)。其他項目的結果可能相反,完整價目請看上表;實際成本要看你的用量組合。

可以只串接一次,就對 Google TTS Chirp 3 HD 和 Qwen3 TTS Instruct Flash 做 A/B 測試嗎?

可以。兩個模型都走同一個 OpenAI 相容端點,用的也是同一把 API 金鑰,切換時只要改一行裡的模型名稱字串。你可以把一部分流量分別導到兩邊,再直接比較帳單。

文字轉語音是如何計費的?

依輸入文字的字元數計費,每次請求的字元上限列在規格表裡。兩個模型都一樣,稿子太長就得拆成多次請求。

相關比較