Kurze Antwort: für dieselbe 164-stellige Erzählung, Qwen Audio 3.1 TTS Am wenigsten kostet, etwa ein Zwanzigstel eines Cents, StepAudio 3 TTS Die Datei wurde am schnellsten zurückgegeben, und Gemini 2.5 Pro TTS Am meisten kostete, etwa vier Cent, mit der langsamsten und längsten Lektüre. Qwen Audio 3.1 TTS Plus, die Qualitätsstufe von Qwen Audio 3.1, kostet knapp unter einem Cent. Alle vier laufen auf EmpirioLabs über denselben Sprachendpunkt. Hören Sie sich jeden Clip unten an; wir erklären keinen Gewinner.
Hör auf die vier Stimmen
Die Erzählung: "Der Leuchtturmwärter schrieb jede Nacht einunddreißig Jahre lang eine Zeile ins Logbuch. Auf der letzten Seite, mit einer anderen Handschrift, hatte jemand geschrieben: Das Licht ist noch an." Die Anweisung: "Ein Dokumentarerzähler: ruhig und unbeeilt, dann eine ruhige, bewegte Pause vor dem letzten Satz."
Ergebnisse auf einen Blick
| Qwen Audio 3.1 TTS Plus | Qwen Audio 3.1 TTS | Gemini 2.5 Pro TTS | StepAudio 3 TTS | |
|---|---|---|---|---|
| Schöpfer | Alibaba | Alibaba | StepFun | |
| Abrechnungseinheit | Charaktere | Tokens: Text ein, Audio raus | Tokens | Charaktere |
| Preis für diese Anfrage | $0.0098 | $0.0005 | $0.0433 | $0.0024 |
| Audiolänge | 11,2 Sekunden | 10,0 Sekunden | 24,0 Sekunden | 9,7 Sekunden |
| Zeit für die fertige Akte | 14,3 Sekunden | 12,8 Sekunden | 16,0 Sekunden | 3,7 Sekunden |
| Stimmen | 4 | 19 | 30 | 12 |
| Richtungsfeld | Unterricht | Unterricht | style_prompt | Unterricht |
Wie wir es geführt haben
Jedes Modell las die identische Erzählung mit derselben Richtung, die im eigenen Richtungsfeld des Modells weitergegeben wurde. Jedes verwendete eine englischsprachige männliche Stimme aus seiner eigenen Bibliothek und gab MP3 zurück (Gemini 2.5 Pro TTS gibt WAV zurück, für diese Seite in MP3 umgewandelt), mit allen anderen Einstellungen auf der Standardeinstellung. Jeder One-Shot. Die Preise sind die für diese genauen Anfragen berechneten Beträge. Die Zeiten sind Wanduhrsekunden für eine Anfrage am 2. November 2026, vom Absenden der Anfrage bis zum Erhalt der fertigen Datei; alle vier Modelle streamen außerdem Audio während der Generierung.
Worauf man achten sollte
Die Pause. Die Anweisung verlangt eine Pause, bevor "das Licht noch an" ist. Hören Sie, wo jede Stimme es platziert und wie lange es gehalten wird; Gemini 2.5 Pro TTS hielt eine Pause von etwa anderthalb Sekunden, und die gesamte Lesung war mehr als doppelt so lang wie die anderen.
Außerdem gegen Flash. Qwen Audio 3.1 TTS Plus und Qwen Audio 3.1 TTS übernehmen denselben Wunsch-Body. Plus ist die Stufe, die Alibaba für Erzählung, Synchronisation und Markenstimmen baut; hört euch die beiden Qwen-Clips nebeneinander an, um den Unterschied in der Darbietung zu sehen.
Länge und Preis. Qwen Audio 3.1 TTS und Gemini 2.5 Pro TTS rechnen den von ihnen erzeugten Ton ab, daher kostet ein langsameres Lesen mehr; TTS Plus und StepAudio 3 TTS rechnen die gesendeten Zeichen ab.
Führe denselben Test bei EmpirioLabs
curl https://api.empiriolabs.ai/v1/audio/speech \ -H "Autorisierung: Träger $EMPIRIOLABS_API_KEY" \ -H "Inhaltstyp: application/json" \ -d '{ "model": "qwen-audio-3-1-tts-plus", "Stimme": "xunanchuan_v3.1", "Eingabe": "Der Leuchtturmwärter schrieb jede Nacht einunddreißig Jahre lang eine Zeile ins Logbuch. Auf der letzten Seite, in einer anderen Handschrift, hatte jemand geschrieben: Das Licht ist noch an.", "Anweisung": "Ein Dokumentarerzähler: ruhig und unbeeilt, dann eine leise, bewegte Pause vor dem letzten Satz.", "response_format": "mp3" }'Swap modell und Stimme um dieselbe Anfrage gegen sie durchzuführen qwen-audio-3-1-tts, gemini-2-5-pro-tts (mit style_prompt anstelle von Unterricht) oder stepaudio-3-tts, oder probiere sie in der playground.
Häufig gestellte Fragen
Wurden die Clips bearbeitet oder erneut versucht?
Nein. Jeder Clip ist das erste Audio, das das Modell für diese Anfrage zurückgegeben hat, ungeschnitten.
Warum kostet Qwen Audio 3.1 TTS Plus mehr als Qwen Audio 3.1 TTS?
Sie sind unterschiedlich bepreist: Plus pro Textzeichen, die Flash-Stufe nach Token. Für diese Erzählung kostet Plus etwa das Zwanzigfache.
Welche sollte ich verwenden?
Höre dir die Clips mit deinem eigenen Drehbuch an. Die gleiche Anfrage gilt für alle vier, nur das Feld Modell, Stimme und Regie. Der Startleitfaden, Wie man die Qwen Audio 3.1 TTS Plus API verwendet, deckt seine Stimmen und benutzerdefinierte Stimmen ab.
Probier es mal
Playground | Alle Modelle | Preisgestaltung
Offenlegung: Dieser Artikel wurde mit KI-Unterstützung geschrieben und von EmpirioLabs AI überprüft.
