Qwen3 TTS Instruct Flash vs BytePlus Seed TTS 2.0

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),两者也都接受自然语言的音色指令,但请求长度差别很大:600 个字符对 4096。seed-tts-2.0 还在描述式控制之外提供数值型语音参数,并按场景分组公布音色。短句要控成本选 qwen3-tts-instruct-flash,长段落和更细的音色控制选 seed-tts-2.0。

价格

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

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

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
流式输出 是 是
SSML undocumented unsupported
计费单位 character character

规格

Qwen3 TTS Instruct Flash BytePlus Seed TTS 2.0
输入模态 文本 文本
输出模态 音频 音频
发布日期 - 2025-10-16
请求限制 600 characters -
音色 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。 TTS 2.0 音色使用 *_uranus_bigtts 形式的 speaker ID,并在 Voice List 页面按场景(General、Entertainment、Education、Dubbing、AudioBook、RolePlay、CustomerService)列出;每个音色的情绪通过 audio_params.emotion 控制,emotion_scale 取 1 到 5(默认 4),speech_rate 和 loudness_rate 取值区间为 [-50, 100],post_process.pitch 为 [-12, 12]。
语言 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)。 英语、中文、日语、德语、法语、墨西哥西班牙语、印尼语、巴西葡萄牙语、意大利语和韩语
声音控制
  • 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
context_texts 和 section_id 仅 TTS 2.0 支持:一条自然语言指令即可调控语速、情绪、音量和风格(列表中只有第一个值生效,且其文本不计费),section_id 则可把此前最多 30 轮或 10 分钟的合成串联为历史上下文。
限制 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 可通过单向流式 HTTP、单向或双向流式 WebSocket 以及在线 SDK 接入;单向流式和非流式接口的采样率为 24K/16K/8K,双向接口为 48K/24K/16K/8K;输出 PCM、OGG_OPUS 或 MP3(WAV 也被接受,但流式时会返回多个文件头);不支持 SSML

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: Qwen3 TTS Instruct Flash · BytePlus Seed TTS 2.0

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

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