Respuesta corta: para la misma narración de 164 caracteres, Qwen Audio 3.1 TTS costó lo menos, alrededor de una veintenésima parte de céntimo, StepAudio 3 TTS devolvió su archivo más rápido, y Gemini 2.5 Pro TTS Costó más, unos cuatro céntimos, siendo el más lento y largo de leer. Qwen Audio 3.1 TTS Plus, el nivel de calidad de Qwen Audio 3.1 costó poco menos de un céntimo. Los cuatro funcionan en EmpirioLabs a través del mismo punto final de voz. Escucha cada clip a continuación; no estamos declarando un ganador.
Escucha a las cuatro voces
La narración: "El farero escribía una línea en el registro cada noche durante treinta y un años. En la última página, con otra letra, alguien había escrito: la luz sigue encendida." La dirección: "Un narrador documental: calmado y sin prisas, luego una pausa tranquila y conmovedora antes de la frase final."
Resultados en resumen
| Qwen Audio 3.1 TTS Plus | Qwen Audio 3.1 TTS | Gemini 2.5 Pro TTS | StepAudio 3 TTS | |
|---|---|---|---|---|
| Maker | Alibaba | Alibaba | StepFun | |
| Unidad de facturación | Personajes | Tokens: entrada de texto, salida de audio | Fichas | Personajes |
| Precio de esta petición | $0.0098 | $0.0005 | $0.0433 | $0.0024 |
| Duración del audio | 11,2 segundos | 10,0 segundos | 24,0 segundos | 9,7 segundos |
| Hora del expediente final | 14,3 segundos | 12,8 segundos | 16,0 segundos | 3,7 segundos |
| Voces | 4 | 19 | 30 | 12 |
| Campo de dirección | Instrucción | Instrucción | style_prompt | Instrucción |
Cómo lo gestionamos
Cada modelo leía la misma narración con la misma dirección, pasada en el campo de dirección propio del modelo. Cada modelo utilizaba una voz masculina de habla inglesa de su propia biblioteca y devolvía MP3 (Gemini 2.5 Pro TTS devuelve WAV, convertido a MP3 para esta página), con todos los demás ajustes por defecto. Un solo shot cada uno. Los precios son las cantidades cobradas por estas solicitudes exactas. Los tiempos son segundos de pared para una solicitud el 2 de noviembre de 2026, desde enviar la solicitud hasta recibir el archivo final; los cuatro modelos también transmiten audio mientras se genera.
Qué buscar
La pausa. La dirección pide una pausa antes de que "la luz siga encendida". Escucha dónde la coloca cada voz y cuánto tiempo aguanta; Gemini 2.5 Pro TTS tenía una pausa de aproximadamente un segundo y medio, y toda su lectura duraba más del doble que las demás.
Y además contra Flash. Qwen Audio 3.1 TTS Plus y Qwen Audio 3.1 TTS aceptan el mismo cuerpo de solicitud. Plus es el nivel que Alibaba construye para narración, doblaje y voces de marca; escucha los dos clips de Qwen uno al lado del otro para ver la diferencia en la interpretación.
Longitud y precio. Qwen Audio 3.1 TTS y Gemini 2.5 Pro TTS facturan el audio que generan, así que una lectura más lenta cuesta más; TTS Plus y StepAudio 3 TTS facturan los caracteres que envías.
Haz la misma prueba en EmpirioLabs
curl https://api.empiriolabs.ai/v1/audio/speech \ -H "Autorización: Portador $EMPIRIOLABS_API_KEY" \ -H "Tipo-Contenido: application/json" \ -d '{ "modelo": "qwen-audio-3-1-tts-plus", "voz": "xunanchuan_v3.1", "entrada": "El farero escribió una línea en el registro cada noche durante treinta y un años. En la última página, con otra letra, alguien había escrito: la luz sigue encendida.", "instrucciones": "Un narrador documental: calmado y sin prisas, luego una pausa tranquila y conmovedora antes de la frase final.", "response_format": "mp3" }'Intercambio modelo y Voz para ejecutar la misma solicitud contra qwen-audio-3-1-tts, gemini-2-5-pro-tts (con style_prompt en lugar de Instrucción) o stepaudio-3-tts, o pruébalos en el playground.
Preguntas frecuentes
¿Se editaron o volvieron a intentar los clips?
No. Cada clip es el primer audio que el modelo devolvió para esta petición, sin editar.
¿Por qué cuesta Qwen Audio 3.1 TTS Plus que Qwen Audio 3.1 TTS?
Tienen precios diferentes: Plus por carácter de texto, el nivel Flash por tokens. Para esta narración, Plus cuesta unas veinte veces más.
¿Cuál debería usar?
Escucha los clips con tu propio guion. La misma petición funciona para los cuatro, solo cambiando el modelo, la voz y el campo de dirección. La guía de lanzamiento, Cómo usar la API Qwen Audio 3.1 TTS Plus, cubre sus voces y voces personalizadas.
Pruébalo
Playground Silencio Todos los modelos Silencio Precios
Divulgación: Este artículo fue escrito con asistencia AI y revisado por EmpirioLabs AI.
