Google TTS Chirp 3 HD vs Qwen3 TTS Instruct Flash

vs

什么时候选哪个

qwen3-tts-instruct-flash 每百万字符便宜 2.6 倍($11.5 对 $30),并且能用自然语言指挥音色,但它每次请求只接受 600 个字符,而 google-tts-chirp3-hd 是 5000 字节,所以长文案必须切分。Google 这一款覆盖更宽的语言区列表,提供数值型语音参数,SSML 处于预览。要为短句描述交付方式选 qwen3-tts-instruct-flash,长文本和语言区广度选 google-tts-chirp3-hd。

价格

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

价格取自构建时的实时目录,最新价格见各模型页面。

两个模型所处的位置:全部 7 个按同一单位计费的文字转语音模型的每 1M 字符价格分布(对数刻度)

能力

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
流式输出 是 是
SSML preview undocumented
计费单位 character character

规格

Google TTS Chirp 3 HD Qwen3 TTS Instruct Flash
输入模态 文本 文本
输出模态 音频 音频
发布日期 2025-03 -
请求限制 5000 bytes 600 characters
音色 音色以星体命名,并公布性别: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 和 Zubenelgenubi。加上语言区域前缀构成 id,例如 en-US-Chirp3-HD-Charon。Google 把这一组描述为涵盖多种语言的 30 种不同风格。 系统音色均附有一句话人设,其中包括 Cherry(阳光、积极、友善而自然的年轻女性)、Serena、Ethan、Chelsie、Momo、Vivian、Moon、Maia、Kai、Nofish(一位发不出卷舌音的设计师)、Bella、Eldric Sage、Mia、Mochi、Bellona、Vincent、Bunny、Neil、Elias、Arthur、Nini、Seren、Pip 和 Stella;Qwen-TTS 音色列表为每个音色标明了可接受它的具体模型 id。
语言 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 和 vi-VN。 中文(普通话)、英语、德语、意大利语、葡萄牙语、西班牙语、日语、韩语、法语和俄语。对于混合语种或无法确定的输入,language_type 默认为 Auto,阿里文档说明该模式不保证准确率;而指明单一语言则被记载为可显著提升合成质量。与 Qwen3-TTS-Flash 系列不同,Instruct 系列没有列出任何中文方言音色(北京话、上海话、四川话、南京话、陕西话、闽南语、天津话、粤语)。
声音控制
  • 音色控制项均处于 Preview 阶段:语速通过 speaking_rate 0.25 到 2.0 调节
  • [pause short]、[pause long] 和 [pause] 停顿标记只在 markup 输入字段中被接受,在 text 中一概无效,且标记放置得不自然时模型可能不予理会
  • 自定义发音支持 IPA 或 X-SAMPA
  • SSML 支持处于 Preview 且仅限同步请求,流式请求不支持,未列出的标签会被忽略,say-as 的 interpret-as=expletive 或 bleep 不受支持
  • instructions 用自然语言调控语速、情绪和风格,最多 1,600 token,且文档只覆盖中文和英文
  • optimize_instructions(默认 false)会把指令改写成更适合合成的形式,instructions 为空时不起作用
  • 声音复刻和音色设计在该模型 id 上均列为不支持
限制 单次 synthesize 请求的内容上限为 5,000 字节总量;默认响应格式为 LINEAR16;流式支持 ALAW、MULAW、OGG_OPUS 和 PCM,批量再加上 MP3,因此 MP3 在流式路径上不可用;它是 Google 对比表中唯一标注为具备流式能力的音色类型;在 global、us 和 eu 端点以及 asia-southeast1、europe-west2 和 asia-northeast1 正式发布,但不在区域化和数据驻留的适用范围内;按字符计费,空格和换行都计入,除 <mark> 外的所有 SSML 标签也计入 HTTP 非实时语音合成 API;带 -realtime 后缀的是它的 WebSocket 同胞;输入文本上限 600 字符,允许多语种混合输入;非流式返回一个有效期 24 小时的音频文件 URL;流式分块返回 Base64 编码的 PCM,URL 只在最后一个数据包中给出,官方示例按 24 kHz 单声道 16 位音频播放;按输入文本字符计费,以 usage.characters 上报(在 Qwen3-TTS 系列上 input_tokens 和 output_tokens 始终为 0);输出音频免费

规格照录自各供应商的文档;供应商没有公布的项目,对应的行直接省略,不做推断。 完整来源: Google TTS Chirp 3 HD · Qwen3 TTS Instruct Flash

改一行代码就能在两个模型之间切换

下方每个标签页里都有两个模型 ID,高亮的那两行是唯一要改的地方。端点不变,API key 不变,请求结构也不变。

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",  # 取消注释此行,注释上一行
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

获取 API key →

常见问题

Google TTS Chirp 3 HD 和 Qwen3 TTS Instruct Flash 哪个更便宜?

按「每 1M 字符」算,Qwen3 TTS Instruct Flash 更便宜($11.5 对 $30,相差 2.6×)。其他计费项的结论可能相反,完整价格见上方表格,实际成本取决于你的用量构成。

不用分别集成两次,就能对 Google TTS Chirp 3 HD 和 Qwen3 TTS Instruct Flash 做 A/B 测试吗?

可以。两个模型走同一个 OpenAI 兼容端点,用同一个 API key,切换时只要改一行里的模型名,所以可以给两个模型各分一部分流量,直接对比账单。

文字转语音如何计费?

按输入文本的字符数计费,单次请求的字符上限见规格表。不管用哪个模型,长文本都得拆成多个请求。

相关对比

我们的实测研究