Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS de un vistazo

Qwen Audio 3.1 TTS de Alibaba Cloud y Gemini 3.8 Flash TTS de Google pertenecen a la categoría Generación de audio y están disponibles a través de la API de EmpirioLabs.

Diferencias clave

• Qwen Audio 3.1 TTS es el lanzamiento más reciente (23 sept 2026); Gemini 3.8 Flash TTS se lanzó el 22 sept 2026.
• Capacidades indicadas solo para Qwen Audio 3.1 TTS: expressive prosody, emotion control, low latency, realtime.
• Capacidades indicadas solo para Gemini 3.8 Flash TTS: multi speaker, voice control.
• Qwen Audio 3.1 TTS tiene la tarifa más baja para Entrada (por 1M de tokens de prompt) y Salida (por 1M de tokens generados).

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS: especificaciones

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash 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.

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash 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.

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS: límites y notas

Qwen Audio 3.1 TTS

Voces

• 19 voces: 15 voces en inglés y 4 voces multilingües. Emily, Luna, Eric y Luca tienen acento británico. Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian y David tienen acento americano. Las voces multilingües longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1 y xunanchuan_v3.1 leen chino, inglés y otros idiomas.
• Cada identificación de voz termina en _v3.1, por ejemplo Emily_v3.1.

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 respuesta incluye voice_id y voice_id_expires_at. Pasa el voice_id como voice reutilizar la voz durante 7 días, en POST /v1/audio/speech, POST /v1/audio/speech:stream o el socket en tiempo real, donde session.update toma los mismos campos y session.updated devuelve el voice_id. Solo la cuenta que la creó puede usarlo.
• Cada cuenta puede almacenar 10 voces personalizadas en este modelo a la vez.
• GET /v1/voices?model=qwen-audio-3-1-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-3-1-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.

Dirección de entrega

• instruction establece emoción, tono, carácter, ritmo y estilo de habla en lenguaje natural, hasta 1.000 caracteres.
• Las etiquetas en línea dentro del texto cambian la entrega desde ese punto, por ejemplo [excited] o [whispers], o añaden un sonido puntual como [laughing] o [sighing]. La lista completa de etiquetas está en el parámetro input.
• No se soporta entrada SSML.

Límites de entrada

• Hasta 10.000 caracteres por petición.
• language_hints sesga la pronunciación en textos de lengua mixta.

Producto

• MP3, WAV, PCM o Opus a 8.000 a 48.000 Hz.
• POST /v1/audio/speech:stream envía fragmentos de audio mientras se genera el habla.

Tiempo real

• WEBSOCKET /v1/realtime?model=qwen-audio-3-1-tts toma texto mientras aún se está escribiendo y devuelve el audio a medida que se genera. Envía input_text_buffer.append eventos, luego input_text_buffer.commit o session.finish para terminar la sesión.
• El audio llega en response.audio.delta eventos: PCM de 16 bits a 24.000 Hz por defecto, o MP3 u Opus. Configura la voz, la instrucción, el formato y otras opciones con session.update; se aplica un cambio a partir del siguiente segmento.
• El texto se pronuncia en segmentos que terminan en los límites de las frases, y cada segmento termina con un evento response.done que acompaña su uso.

Facturación

• Los tokens de entrada son el texto, y los tokens de salida son el audio generado a 12,5 tokens por segundo.
• La velocidad y el tono cambian la duración del audio renderizado, pero no los tokens facturados. Una instrucción que ralentiza la entrega añade tokens de salida.

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.

Cómo llamar a Qwen Audio 3.1 TTS y Gemini 3.8 Flash TTS

Qwen Audio 3.1 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 qwen-audio-3-1-tts. Ambos modelos se llaman a través del mismo endpoint. Establece model en qwen-audio-3-1-tts o gemini-3-8-flash-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": "qwen-audio-3-1-tts",
    "input": "Welcome to EmpirioLabs. Your build just finished."
  }' \
  --output speech.mp3

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash 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...

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS: preguntas frecuentes

¿Cuál es la diferencia entre Qwen Audio 3.1 TTS y Gemini 3.8 Flash TTS?

Qwen Audio 3.1 TTS es el lanzamiento más reciente (23 sept 2026); Gemini 3.8 Flash TTS se lanzó el 22 sept 2026. Capacidades indicadas solo para Qwen Audio 3.1 TTS: expressive prosody, emotion control, low latency, realtime. Capacidades indicadas solo para Gemini 3.8 Flash TTS: multi speaker, voice control. Las especificaciones, las tablas de tarifas y los parámetros de esta página provienen del catálogo en vivo de EmpirioLabs.

¿Cuál es más reciente, Qwen Audio 3.1 TTS o Gemini 3.8 Flash TTS?

Qwen Audio 3.1 TTS es el lanzamiento más reciente (23 sept 2026); Gemini 3.8 Flash TTS se lanzó el 22 sept 2026.

¿Cuál tiene la tarifa más baja, Qwen Audio 3.1 TTS o Gemini 3.8 Flash TTS?

Qwen Audio 3.1 TTS tiene la tarifa más baja para Entrada (por 1M de tokens de prompt) y Salida (por 1M de tokens generados). Las dos tablas de tarifas en vivo están en esta página y siempre coinciden con lo que cobra la API.

¿Puedo cambiar entre Qwen Audio 3.1 TTS y Gemini 3.8 Flash 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.