Respuesta corta: para la misma escritura de 174 caracteres, Qwen Audio 3.1 TTS costó lo menos, menos de una décima de céntimo, StepAudio 3 TTS devolvió su archivo más rápido, y Gemini 3.8 Flash TTS Costó más, menos de dos céntimos. Qwen Audio 3.0 TTS cuesta menos de medio céntimo. Los cuatro funcionan en EmpirioLabs a través del mismo extremo de voz. Escucha cada clip a continuación; no estamos declarando un ganador.
Escucha a las cuatro voces
El guion: "Abrí la carta esperando otro rechazo educado. En cambio, la primera línea decía: enhorabuena, el trabajo es tuyo. Lo leí tres veces antes de dejarme creerlo." La indicación: "Empieza en silencio y un poco cansado, luego sorpréndete y alegra con la última frase."
Resultados en resumen
| Qwen Audio 3.1 TTS | Qwen Audio 3.0 TTS | Gemini 3.8 Flash TTS | StepAudio 3 TTS | |
|---|---|---|---|---|
| Maker | Alibaba | Alibaba | StepFun | |
| Unidad de facturación | Tokens: entrada de texto, 12,5 tokens por segundo de salida de audio | Personajes | Fichas | Personajes |
| Precio de esta petición | $0.0008 | $0.0035 | $0.0180 | $0.0026 |
| Duración del audio | 16,8 segundos | 13,4 segundos | 15,4 segundos | 12,3 segundos |
| Hora del expediente final | 13,4 segundos | 16,6 segundos | 7,5 segundos | 4,4 segundos |
| Voces | 19 | Más de 1.000 | 30 en la lista de voz, más de 2.000 en la biblioteca | 12 voces oficiales |
| Campo de dirección | Instrucción | Instrucción | style_prompt | Instrucción |
| Streaming | Sí | Sí | Sí | Sí |
Cómo lo gestionamos
Cada modelo leía el mismo guion con la misma dirección, pasando en el campo de dirección propio del modelo. Cada uno usaba una voz femenina en inglés de su propia biblioteca, devolvía MP3 y mantenía todos los demás ajustes en su configuración predeterminada; Qwen Audio 3.0 TTS funcionaba en su nivel Plus por defecto. Un solo shot cada uno. Los precios son las cantidades cobradas por estas peticiones exactas. Los tiempos son segundos de pared para una solicitud el 18 de octubre de 2026, desde el envío de la solicitud hasta la recepción del archivo final; los cuatro modelos también transmiten audio mientras se genera.
Qué buscar
Entrega. Escucha cómo cada voz maneja el cambio de cansancio a alegre ante las "felicidades", y cuánto cambia el ritmo a lo largo de la última frase.
Longitud y precio. El mismo texto producía entre 12,3 y 16,8 segundos de audio. Qwen Audio 3.1 TTS y Gemini 3.8 Flash TTS facturan el audio que generan, por lo que una lectura más lenta cuesta más; Qwen Audio 3.0 TTS 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", "voz": "Ava_v3.1", "entrada": "Abrí la carta esperando otro rechazo educado. En cambio, la primera línea decía: felicidades, el trabajo es tuyo. Lo leí tres veces antes de dejarme creerlo.", "instrucciones": "Empieza en silencio y un poco cansado, luego sorpréndete y alegra con la última frase.", "response_format": "mp3" }'Intercambio modelo y Voz para ejecutar la misma solicitud contra qwen-audio-3-0-tts, gemini-3-8-flash-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 los clips tienen diferentes duraciones?
Cada modelo sigue el mismo ritmo a su manera, y la dirección pide un cambio de ambiente a mitad de camino. La duración influye en el precio en Qwen Audio 3.1 TTS y Gemini 3.8 Flash TTS, que facturan el audio generado.
¿Cuál debería usar?
Escucha los clips con tu propio guion. La misma petición funciona para los cuatro, cambiando solo el modelo, la voz y el campo de dirección.
Pruébalo
Playground Silencio Todos los modelos Silencio Precios
Divulgación: Este artículo fue escrito con asistencia AI y revisado por EmpirioLabs AI.
