Qwen3 TTS Instruct Flash vs TTS-1 HD

vs

什麼情況選哪一個

qwen3-tts-instruct-flash 每百萬字元 $11.5,對比 $30,大約便宜 2.6 倍,而且它是兩者中唯一能用自然語言指揮音色的——tts-1-hd 完全不提供音色控制。代價是請求長度,600 個字元對 4096,所以長文案必須切分。兩者都支援串流。要一次合成長段落選 tts-1-hd,要低成本的定向短句選 qwen3-tts-instruct-flash。

定價

Qwen3 TTS Instruct Flash TTS-1 HD 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 TTS-1 HD
串流 是 是
SSML undocumented undocumented
計費單位 character character

規格

Qwen3 TTS Instruct Flash TTS-1 HD
輸入模態 文字 文字
輸出模態 音訊 音訊
發布日期 - 2023-11-06
請求限制 600 characters 4096 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。 alloy、ash、coral、echo、fable、onyx、nova、sage 與 shimmer,比完整的 13 種 TTS 音色清單少,且音色目前針對英語最佳化。
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)。 大致沿用 Whisper 模型的語言支援:南非荷蘭語、阿拉伯語、亞美尼亞語、亞塞拜然語、白俄羅斯語、波士尼亞語、保加利亞語、加泰隆尼亞語、中文、克羅埃西亞語、捷克語、丹麥語、荷蘭語、英語、愛沙尼亞語、芬蘭語、法語、加利西亞語、德語、希臘語、希伯來語、印地語、匈牙利語、冰島語、印尼語、義大利語、日語、坎那達語、哈薩克語、韓語、拉脫維亞語、立陶宛語、馬其頓語、馬來語、馬拉地語、毛利語、尼泊爾語、挪威語、波斯語、波蘭語、葡萄牙語、羅馬尼亞語、俄語、塞爾維亞語、斯洛伐克語、斯洛維尼亞語、西班牙語、史瓦希里語、瑞典語、他加祿語、坦米爾語、泰語、土耳其語、烏克蘭語、烏爾都語、越南語與威爾斯語,儘管音色目前針對英語最佳化
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
none
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。 僅支援語音生成端點(v1/audio/speech),Chat Completions、Responses、Realtime、Batch 與微調都列為不支援;輸入文字上限 4096 個字元;輸出 mp3(預設)、opus、aac、flac、wav 或 pcm(原始 24 kHz 16-bit 有號小端序取樣);透過分塊傳輸編碼進行即時播放

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 · TTS-1 HD

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="tts-1-hd",  # 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 TTS-1 HD 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 TTS-1 HD 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