Qwen3 TTS Instruct Flash vs BytePlus Seed TTS 2.0

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),兩者也都接受自然語言的音色指令,但請求長度差別很大:600 個字元對 4096。seed-tts-2.0 還在描述式控制之外提供數值型語音參數,並按場景分組公布音色。短句要控成本選 qwen3-tts-instruct-flash,長段落和更細的音色控制選 seed-tts-2.0。

定價

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0 Δ
每 1M 字元 $11.5 $30 0.38×

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

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
串流 是 是
SSML undocumented unsupported
計費單位 character character

規格

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
輸入模態 文字 文字
輸出模態 音訊 音訊
發布日期 - 2025-10-16
請求限制 600 characters -
聲音 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。 TTS 2.0 音色帶有 *_uranus_bigtts 形式的 speaker ID,並在 Voice List 頁面按場景分類列出(General、Entertainment、Education、Dubbing、AudioBook、RolePlay、CustomerService);每個音色可透過 audio_params.emotion 設定情緒,emotion_scale 為 1 至 5(預設 4),speech_rate 與 loudness_rate 範圍為 [-50, 100],post_process.pitch 範圍為 [-12, 12]。
語言 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)。 英語、中文、日語、德語、法語、墨西哥西班牙語、印尼語、巴西葡萄牙語、義大利語與韓語
聲音控制
  • 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
context_texts 與 section_id 僅 TTS 2.0 支援:一段自然語言指令即可控制語速、情緒、音量與風格(清單中只有第一個值生效,且其文字不計費),section_id 則可把最多 30 輪或 10 分鐘的先前合成串接為歷史上下文。
限制 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。 可透過單向串流 HTTP、單向或雙向串流 WebSocket 以及線上 SDK 接入;單向串流與非串流介面的取樣率為 24K/16K/8K,雙向介面為 48K/24K/16K/8K;輸出 PCM、OGG_OPUS 或 MP3(接受 WAV,但串流時會回傳多個檔頭);不支援 SSML

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: Qwen3 TTS Instruct Flash · BytePlus Seed TTS 2.0

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="qwen3-tts-instruct-flash",
    # model="seed-tts-2.0",  # 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

Qwen3 TTS Instruct Flash 和 BytePlus Seed TTS 2.0 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 Qwen3 TTS Instruct Flash 和 BytePlus Seed TTS 2.0 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