Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS en un coup d'œil

Qwen Audio 3.1 TTS de Alibaba Cloud et Gemini 3.8 Flash TTS de Google appartiennent tous deux à la catégorie Production audio et sont disponibles via l'API EmpirioLabs.

Différences clés

• Qwen Audio 3.1 TTS est la version la plus récente (23 sept. 2026) ; Gemini 3.8 Flash TTS est sorti le 22 sept. 2026.
• Capacités indiquées uniquement pour Qwen Audio 3.1 TTS : expressive prosody, emotion control, low latency, realtime.
• Capacités indiquées uniquement pour Gemini 3.8 Flash TTS : multi speaker, voice control.
• Qwen Audio 3.1 TTS affiche le tarif le plus bas pour Entrée (par 1M de jetons d’invite) et Sortie (par 1M de jetons générés).

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS : caractéristiques

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS : tarifs de l'API

Tarifs en direct du catalogue EmpirioLabs pour les deux modèles. Chaque grille tarifaire correspond toujours à ce que l'API facture.

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS : paramètres de l'API

Paramètres de requête indiqués pour chaque modèle sur EmpirioLabs, avec les valeurs autorisées ou la plage le cas échéant. Un tiret signale un paramètre que le modèle n'indique pas.

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS : limites et notes

Qwen Audio 3.1 TTS

Voix

• 19 voix: 15 voix anglaises et 4 voix multilingues. Emily, Luna, Eric et Luca ont des accents britanniques. Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian et David ont des accents américains. Les voix multilingues longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1 et xunanchuan_v3.1 lisent le chinois, l’anglais et d’autres langues.
• Chaque identification vocale se termine par _v3.1, par exemple Emily_v3.1.

Voix personnalisées

• Réglez voice sur custom et passez voice_audio_url, une URL https à 10 à 20 secondes de parole claire d’un haut-parleur.
• WAV, MP3, M4A, OGG, WEBM et FLAC sont acceptés, jusqu’à 15 Mo. Enregistrez dans une pièce calme, sans musique ni autres voix.
• La réponse inclut voice_id et voice_id_expires_at. Passez le voice_id comme voice de réutiliser la voix pendant 7 jours, sur POST /v1/audio/speech, POST /v1/audio/speech:stream ou le socket en temps réel, où session.update prend les mêmes champs et session.updated retourne le voice_id. Seul le compte qui l’a créé peut l’utiliser.
• Chaque compte peut contenir 10 voix personnalisées sur ce modèle à la fois.
• GET /v1/voices?model=qwen-audio-3-1-tts liste les voix du modèle, y compris vos voix personnalisées avec leurs identifiants. Ajoutez type=custom pour lister uniquement les voix personnalisées.
• DELETE /v1/voices/{voice_id}?model=qwen-audio-3-1-tts supprime une voix personnalisée, ce qui libère sa place immédiatement.
• Dans le Playground, mettez Voix sur Personnalisé pour réutiliser une voix enregistrée, copiez son identifiant ou supprimez-la.
• Créer, lister et supprimer des voix personnalisées n’a aucun frais.

Direction de la livraison

• instruction définit l’émotion, le ton, le caractère, le rythme et le style de parole dans un langage naturel, jusqu’à 1 000 caractères.
• Les balises en ligne à l’intérieur du texte modifient la diffusion à partir de ce point, par exemple [excited] ou [whispers], ou ajoutent un son ponctuel comme [laughing] ou [sighing]. La liste complète des balises se trouve sur le paramètre input.
• L’entrée SSML n’est pas prise en charge.

Limites d’entrée

• Jusqu’à 10 000 caractères par demande.
• language_hints biaise la prononciation des textes en langue mixte.

Produit

• MP3, WAV, PCM ou Opus entre 8 000 et 48 000 Hz.
• POST /v1/audio/speech:stream envoie des extraits audio pendant que la voix est générée.

Temps réel

• WEBSOCKET /v1/realtime?model=qwen-audio-3-1-tts prend du texte pendant qu’il est encore en cours d’écriture et renvoie l’audio au fur et à mesure qu’il est généré. Envoyez input_text_buffer.append événements, puis input_text_buffer.commit, ou session.finish pour terminer la session.
• L’audio arrive en response.audio.delta événements: PCM 16 bits à 24 000 Hz par défaut, ou MP3 ou Opus. Définissez la voix, l’instruction, le format et les autres options avec session.update; un changement s’applique à partir du segment suivant.
• Le texte est prononcé en segments qui se terminent aux limites des phrases, et chaque segment se termine par un événement response.done portant son usage.

Facturation

• Les jetons d’entrée sont le texte, et les jetons de sortie sont l’audio généré à 12,5 jetons par seconde.
• La vitesse et la hauteur changent la longueur de l’audio rendu mais pas celle des jetons facturés. Une instruction qui ralentit la livraison ajoute des jetons de sortie.

Gemini 3.8 Flash TTS

Limites

• Texte: jusqu’à 5 000 caractères par demande
• Facturation audio: 32 jetons de sortie par seconde d’audio généré
• 130 langues. La langue du texte est détectée automatiquement.

Voix

• Les 30 voix de la liste voice parlent toutes les langues prises en charge.
• GET /v1/voices?model=gemini-3-8-flash-tts liste la bibliothèque complète de plus de 2 000 voix réparties dans 30 lieux, avec la langue, l’accent, le genre, la hauteur et une description de chacun. Filtrez-le par language, gender, pitch ou q. Tout id qu’il retourne fonctionne comme voice ou voice2; lorsque vous définissez également language, utilisez la langue propre à la voix.

Voix personnalisées

• Réglez voice pour custom et passez deux enregistrements du même locuteur adulte sous forme d’URL https: voice_audio_url, 10 à 30 secondes de parole naturelle, et voice_consent_audio_url, le locuteur lisant « Je suis le propriétaire de cette voix et je consens à ce que Google utilise cette voix pour créer un modèle de voix synthétique. » L’affirmation est acceptée en 30 langues; consent_statements sur ce paramètre liste chaque formulation.
• Les deux doivent être des enregistrements d’une personne réelle, dans une pièce calme sur le même microphone. L’audio généré par IA n’est pas accepté. WAV, MP3, M4A, OGG, WEBM et FLAC sont acceptés, jusqu’à 15 Mo chacun.
• La réponse inclut voice_id et voice_id_expires_at. Passez le voice_id comme voice ou voice2 pour réutiliser la voix pendant 7 jours sans nouveaux enregistrements. Un voice_id ne fonctionne que pour le compte qui l’a créé.
• Ce modèle ne garde aucune liste de voix personnalisées, donc gardez la voice_id de la réponse. Une voix personnalisée se termine lorsque son identifiant expire, donc il n’y a rien à supprimer.
• Dans le Playground, mettez Voix sur Personnalisé pour utiliser à nouveau une voix créée dans le même onglet, ou copiez son id.

Direction de la livraison

• Mettez la direction de tout le passage dans style_prompt plutôt que dans le texte, par exemple « chaleureux, sans hâte et rassurant ».
• Placez les balises vocales en ligne à l’endroit où le son devrait se produire. Utilisez ces balises anglaises même lorsque le texte est dans une autre langue:

<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>

• Mettez un mot en majuscule pour le souligner. Enveloppez une réaction de l’auditeur dans des tuyaux, par exemple |mm-hmm|, pour l’ajouter sans commencer un nouveau tour.

Multi-haut-parleurs

• Jusqu’à deux intervenants par demande. Commencez chaque ligne par un nom de locuteur et un deux-points, par exemple Speaker1: et Speaker2:. Les noms doivent correspondre à speaker1_name et speaker2_name.

Produit

• WAV, MP3, OGG (Opus), ALAW ou MULAW, entre 8 000 et 48 000 Hz.
• POST /v1/audio/speech:stream envoie des chunks PCM 16 bits à 24 000 Hz pendant la génération de l’audio, puis le fichier complet dans le format demandé. speed est disponible uniquement sur POST /v1/audio/speech.

Comment appeler Qwen Audio 3.1 TTS et Gemini 3.8 Flash TTS

Qwen Audio 3.1 TTS génère la voix via POST /v1/audio/speech et renvoie de l'audio lisible. Envoyez le texte à prononcer dans input avec l'id de modèle qwen-audio-3-1-tts. Les deux modèles s'appellent via le même endpoint. Définissez model sur qwen-audio-3-1-tts ou gemini-3-8-flash-tts. Obtenez une clé API depuis le tableau de bord 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 : tests et guides

Tests de prompts et comparaisons qui couvrent les deux modèles.

Guides Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS vs Gemini 3.8 Flash TTS vs StepAudio 3 TTS: un seul script Nous avons donné à Qwen Audio 3.1 TTS, Qwen Audio 3.0 TTS, Gemini 3.8 Flash TTS et StepAudio 3 TTS le même script et la...

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS : questions fréquentes

Quelle est la différence entre Qwen Audio 3.1 TTS et Gemini 3.8 Flash TTS ?

Qwen Audio 3.1 TTS est la version la plus récente (23 sept. 2026) ; Gemini 3.8 Flash TTS est sorti le 22 sept. 2026. Capacités indiquées uniquement pour Qwen Audio 3.1 TTS : expressive prosody, emotion control, low latency, realtime. Capacités indiquées uniquement pour Gemini 3.8 Flash TTS : multi speaker, voice control. Les caractéristiques, les grilles tarifaires et les paramètres de cette page proviennent du catalogue EmpirioLabs en direct.

Lequel est le plus récent, Qwen Audio 3.1 TTS ou Gemini 3.8 Flash TTS ?

Qwen Audio 3.1 TTS est la version la plus récente (23 sept. 2026) ; Gemini 3.8 Flash TTS est sorti le 22 sept. 2026.

Lequel a le tarif le plus bas, Qwen Audio 3.1 TTS ou Gemini 3.8 Flash TTS ?

Qwen Audio 3.1 TTS affiche le tarif le plus bas pour Entrée (par 1M de jetons d’invite) et Sortie (par 1M de jetons générés). Les deux grilles tarifaires en direct sont sur cette page et correspondent toujours à ce que l'API facture.

Puis-je passer de Qwen Audio 3.1 TTS à Gemini 3.8 Flash TTS sans reconstruire mon intégration ?

Oui. Les deux modèles utilisent POST /v1/audio/speech avec la même clé API EmpirioLabs : la plupart des intégrations basculent en changeant la valeur model. Vérifiez d'abord le tableau des paramètres de cette page si vous dépendez d'un paramètre propre à un modèle.