Qwen3 TTS Instruct Flash vs TTS-1 HD
vs
什么时候选哪个
qwen3-tts-instruct-flash 每百万字符 $11.5,对比 $30,大约便宜 2.6 倍,而且它是两者中唯一能用自然语言指挥音色的——tts-1-hd 完全不提供音色控制。代价是请求长度,600 个字符对 4096,所以长文案必须切分。两者都支持流式。要一次合成长段落选 tts-1-hd,要低成本的定向短句选 qwen3-tts-instruct-flash。
价格
| Qwen3 TTS Instruct Flash | TTS-1 HD | 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)
Qwen3 TTS Instruct Flash · $11.5 TTS-1 HD · $30
$4 · Google TTS Standard $30 · Google TTS Chirp 3 HD
能力
| Qwen3 TTS Instruct Flash | TTS-1 HD | |
|---|---|---|
| 流式输出 | 是 | 是 |
| SSML | undocumented | undocumented |
| 计费单位 | character | character |
规格
| Qwen3 TTS Instruct Flash | TTS-1 HD | |
|---|---|---|
| 输入模态 | 文本 | 文本 |
| 输出模态 | 音频 | 音频 |
| 发布日期 | - | 2023-11-06 |
| 请求限制 | 600 characters | 4096 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。 | alloy、ash、coral、echo、fable、onyx、nova、sage 和 shimmer,比完整的 13 个 TTS 音色列表要少,且这些音色目前是针对英语优化的。 |
| 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)。 | 大体沿用 Whisper 模型的语言支持:南非荷兰语、阿拉伯语、亚美尼亚语、阿塞拜疆语、白俄罗斯语、波斯尼亚语、保加利亚语、加泰罗尼亚语、中文、克罗地亚语、捷克语、丹麦语、荷兰语、英语、爱沙尼亚语、芬兰语、法语、加利西亚语、德语、希腊语、希伯来语、印地语、匈牙利语、冰岛语、印尼语、意大利语、日语、卡纳达语、哈萨克语、韩语、拉脱维亚语、立陶宛语、马其顿语、马来语、马拉地语、毛利语、尼泊尔语、挪威语、波斯语、波兰语、葡萄牙语、罗马尼亚语、俄语、塞尔维亚语、斯洛伐克语、斯洛文尼亚语、西班牙语、斯瓦希里语、瑞典语、他加禄语、泰米尔语、泰语、土耳其语、乌克兰语、乌尔都语、越南语和威尔士语,尽管音色是针对英语优化的 |
| 声音控制 |
| none |
| 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 | 仅支持语音生成端点(v1/audio/speech),Chat Completions、Responses、Realtime、Batch 和微调均列为不支持;输入文本上限 4096 个字符;输出 mp3(默认)、opus、aac、flac、wav 或 pcm(原始 24 kHz 16-bit 有符号小端采样);通过分块传输编码实现实时播放 |
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 · TTS-1 HD
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="tts-1-hd", # 取消注释此行,注释上一行
file=open("meeting.mp3", "rb"),
language="en",
)
print(resp.text)import OpenAI from "openai";
import fs from "node:fs";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.audio.transcriptions.create({
model: "qwen3-tts-instruct-flash",
// model: "tts-1-hd", // 取消注释此行,注释上一行
file: fs.createReadStream("meeting.mp3"),
});
console.log(resp.text);curl https://synthorai.io/v1/audio/transcriptions \
-H "Authorization: Bearer sk-syn-..." \
-F model="qwen3-tts-instruct-flash" \
# -F model="tts-1-hd" \ # 取消注释此行,注释上一行
-F file=@meeting.mp3package main
import (
"context"
"fmt"
"os"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
f, _ := os.Open("meeting.mp3")
resp, _ := client.Audio.Transcriptions.New(context.TODO(), openai.AudioTranscriptionNewParams{
Model: "qwen3-tts-instruct-flash",
// Model: "tts-1-hd", // 取消注释此行,注释上一行
File: f,
})
fmt.Println(resp.Text)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.audio.transcriptions.*;
import java.nio.file.Paths;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
Transcription resp = client.audio().transcriptions().create(
TranscriptionCreateParams.builder()
.model("qwen3-tts-instruct-flash")
// .model("tts-1-hd") // 取消注释此行,注释上一行
.file(Paths.get("meeting.mp3"))
.build()).asTranscription();
System.out.println(resp.text());常见问题
Qwen3 TTS Instruct Flash 和 TTS-1 HD 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 TTS-1 HD 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。