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)

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
  • 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
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)

获取 API key →

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。

相关对比

我们的实测研究