Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS de un vistazo

Gemini 3.8 Flash TTS de Google y Qwen Audio 3.0 TTS de Alibaba Cloud pertenecen a la categoría Generación de audio y están disponibles a través de la API de EmpirioLabs.

Diferencias clave

• Gemini 3.8 Flash TTS es el lanzamiento más reciente (22 sept 2026); Qwen Audio 3.0 TTS se lanzó el 20 jul 2026.
• Capacidades indicadas solo para Gemini 3.8 Flash TTS: multi speaker, voice control, streaming.
• Capacidades indicadas solo para Qwen Audio 3.0 TTS: expressive prosody, emotion control, dialect, low latency.

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS: especificaciones

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS: precios de la API

Tarifas en vivo del catálogo de EmpirioLabs para ambos modelos. Cada tabla de tarifas siempre coincide con lo que cobra la API.

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS: parámetros de la API

Parámetros de solicitud que cada modelo indica en EmpirioLabs, con los valores permitidos o el rango cuando corresponde. Un guion marca un parámetro que el modelo no indica.

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS: límites y notas

Gemini 3.8 Flash TTS

Límites

• Texto: hasta 5.000 caracteres por petición
• Facturación de audio: 32 tokens de salida por segundo de audio generado
• 130 idiomas. El idioma del texto se detecta automáticamente.

Voces

• Las 30 voces de la lista de voice hablan todos los idiomas compatibles.
• GET /v1/voices?model=gemini-3-8-flash-tts lista la biblioteca completa de más de 2.000 voces en 30 lugares, con el idioma, acento, género, tono y una descripción de cada uno. Filtra con language, gender, pitch o q. Cualquier id que devuelva funciona como voice o voice2; cuando también configures language, usa el idioma propio de la voz.

Voces personalizadas

• Configura voice para custom y pasa dos grabaciones del mismo hablante adulto como URLs https: voice_audio_url, de 10 a 30 segundos de habla natural, y voice_consent_audio_url, el hablante leyendo "Soy el propietario de esta voz y consiento que Google use esta voz para crear un modelo de voz sintética." La afirmación está aceptada en 30 idiomas; consent_statements en ese parámetro lista cada redacción.
• Ambos deben ser grabaciones de una persona real, en una habitación silenciosa con el mismo micrófono. No se acepta audio generado por IA. Se aceptan WAV, MP3, M4A, OGG, WEBM y FLAC, de hasta 15 MB cada uno.
• La respuesta incluye voice_id y voice_id_expires_at. Pásale el voice_id como voice o voice2 para reutilizar la voz durante 7 días sin nuevas grabaciones. Un voice_id solo funciona para la cuenta que lo creó.
• Este modelo no guarda ninguna lista de voces personalizadas, así que no hay voice_id de la respuesta. Una voz personalizada termina cuando su id expira, así que no hay nada que borrar.
• En el Playground, configura Voz en Personalizado para usar una voz creada en la misma pestaña de nuevo, o copia su id.

Dirección de entrega

• Pon la dirección para todo el pasaje en style_prompt en lugar de en el texto, por ejemplo, "cálido, sin prisas y tranquilizador".
• Coloca etiquetas vocales en línea donde debería ocurrir el sonido. Usa estas etiquetas en inglés incluso cuando el texto esté en otro idioma:

<argh> <breath> <heavy breath> <exhales> <cackle> <cheer> <chuckle> <chuckles> <cough> <cry> <gasp> <giggle> <groan> <growl> <grunt> <grr> <hiss> <laugh> <laughter> <moan> <pant> <pff> <phew> <scream> <shout> <shriek> <sigh> <sighs> <sneeze> <snicker> <snort> <sob> <throat-clearing> <tsk> <whimper> <whispers> <whispering> <yawn> <short pause> <long pause>

• Escribe una palabra con mayúscula para enfatizarla. Envuelve una reacción del oyente en tubos, por ejemplo |mm-hmm|, para añadirla sin empezar un nuevo turno.

Multialtavoz

• Hasta dos altavoces por solicitud. Comienza cada línea con un nombre de altavoz y dos puntos, por ejemplo Speaker1: y Speaker2:. Los nombres deben coincidir con speaker1_name y speaker2_name.

Producto

• WAV, MP3, OGG (Opus), ALAW o MULAW, entre 8.000 y 48.000 Hz.
• POST /v1/audio/speech:stream envía fragmentos PCM de 16 bits a 24.000 Hz mientras se genera el audio, y luego el archivo completo en el formato solicitado. speed está disponible solo en POST /v1/audio/speech.

Qwen Audio 3.0 TTS

Niveles

• Además: la máxima calidad de audio y expresividad para creación de contenido, audiolibros, doblaje y trabajo de voz de marca
• Flash: ajustado para interacción en tiempo real con menor latencia en el primer paquete, para asistentes de voz y agentes en directo
• Cambia con el parámetro model_tier, o envía qwen-audio-3.0-tts-plus o qwen-audio-3.0-tts-flash como id de modelo

Voces

• Más de 1.000 voces base, todas disponibles en ambos niveles, así que cambiar de nivel mantiene la voz seleccionada
• Seis voces de sistema insignia son específicas de nivel: longanlingxin y longanlufeng en Plus, y longanhuan_v3.6, longjielidou_v3.6, loongeva_v3.6 loongjohn en Flash
• Explora el catálogo completo con GET /v1/voices y pasa cualquier voz por voice_id

Voces personalizadas

• Configura voice para custom y pasa voice_audio_url, una URL https a 10 a 20 segundos de voz clara de un altavoz.
• Se aceptan WAV, MP3, M4A, OGG, WEBM y FLAC, hasta 15 MB. Graba en una habitación tranquila, sin música ni otras voces.
• La voz se crea para el model_tier seleccionado. La respuesta incluye voice_id y voice_id_expires_at: pasar el voice_id como voice o voice_id, con el mismo model_tier, para reutilizar la voz durante 7 días. Solo la cuenta que la creó puede usarla.
• Cada cuenta puede almacenar 10 voces personalizadas en este modelo a la vez.
• GET /v1/voices?model=qwen-audio-3-0-tts lista las voces del modelo, incluyendo tus voces personalizadas con sus ids. Añade type=custom solo para listar voces personalizadas.
• DELETE /v1/voices/{voice_id}?model=qwen-audio-3-0-tts elimina una voz personalizada, que libera su lugar de inmediato.
• En el Playground, pon Voz en Personalizado para usar una voz guardada de nuevo, copia su id o elimínala.
• Crear, listar y eliminar voces personalizadas no cobra nada.

Límites de entrada

• Hasta 20.000 caracteres por solicitud
• instruction acepta hasta 128 caracteres
• No se soporta entrada SSML. Usa instruction para la dirección de entrega y etiquetas en línea como [excited] o [whispers] dentro del texto

Facturación

• Facturado por carácter de texto de entrada a la tasa del nivel seleccionado

Cómo llamar a Gemini 3.8 Flash TTS y Qwen Audio 3.0 TTS

Gemini 3.8 Flash TTS genera voz a través de POST /v1/audio/speech y devuelve audio reproducible. Envía el texto a pronunciar como input con el id de modelo gemini-3-8-flash-tts. Ambos modelos se llaman a través del mismo endpoint. Establece model en gemini-3-8-flash-tts o qwen-audio-3-0-tts. Consigue una clave de API en el panel de EmpirioLabs.

curl https://api.empiriolabs.ai/v1/audio/speech \
  -H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-3-8-flash-tts",
    "input": "Welcome to EmpirioLabs. Your build just finished."
  }' \
  --output speech.mp3

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS: pruebas y guías

Pruebas de prompts y comparativas que cubren ambos modelos.

Guías Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS vs Gemini 3.8 Flash TTS vs StepAudio 3 TTS: un solo script Dimos a Qwen Audio 3.1 TTS, Qwen Audio 3.0 TTS, Gemini 3.8 Flash TTS y StepAudio 3 TTS el mismo guion y dirección de...

Gemini 3.8 Flash TTS vs Qwen Audio 3.0 TTS: preguntas frecuentes

¿Cuál es la diferencia entre Gemini 3.8 Flash TTS y Qwen Audio 3.0 TTS?

Gemini 3.8 Flash TTS es el lanzamiento más reciente (22 sept 2026); Qwen Audio 3.0 TTS se lanzó el 20 jul 2026. Capacidades indicadas solo para Gemini 3.8 Flash TTS: multi speaker, voice control, streaming. Capacidades indicadas solo para Qwen Audio 3.0 TTS: expressive prosody, emotion control, dialect, low latency. Las especificaciones, las tablas de tarifas y los parámetros de esta página provienen del catálogo en vivo de EmpirioLabs.

¿Cuál es más reciente, Gemini 3.8 Flash TTS o Qwen Audio 3.0 TTS?

Gemini 3.8 Flash TTS es el lanzamiento más reciente (22 sept 2026); Qwen Audio 3.0 TTS se lanzó el 20 jul 2026.

¿Cuál tiene la tarifa más baja, Gemini 3.8 Flash TTS o Qwen Audio 3.0 TTS?

Los dos modelos se tarifican con unidades o niveles distintos, así que compara las tablas de tarifas en vivo de esta página. Siempre coinciden con lo que cobra la API.

¿Puedo cambiar entre Gemini 3.8 Flash TTS y Qwen Audio 3.0 TTS sin reconstruir mi integración?

Sí. Ambos modelos usan POST /v1/audio/speech con la misma clave de API de EmpirioLabs, así que la mayoría de las integraciones cambian con solo modificar el valor model. Revisa antes la tabla de parámetros de esta página si dependes de un parámetro específico de un modelo.

¿Puedo probar Gemini 3.8 Flash TTS y Qwen Audio 3.0 TTS en el navegador antes de integrar?

Sí. Abre cada modelo en el playground de EmpirioLabs y ejecuta el mismo prompt en ambos, con los parámetros que expone la API.