Resposta curta: para o mesmo sistema de 174 caracteres, Qwen Audio 3.1 TTS custou o mínimo, menos de um décimo de centavo, StepAudio 3 TTS retornou seu arquivo mais rápido, e Gemini 3.8 Flash TTS Custou mais, menos de dois centavos. Qwen Audio 3.0 TTS custam menos de meio centavo. Os quatro rodam em EmpirioLabs pelo mesmo ponto final de fala. Ouça cada clipe abaixo; não estamos declarando um vencedor.
Ouça as quatro vozes
O roteiro: "Abri a carta esperando outra rejeição educada. Em vez disso, a primeira linha dizia: parabéns, o trabalho é seu. Li três vezes antes de me deixar acreditar." A direção: "Comece quieto e um pouco cansado, depois fique surpreso e alegre com a última frase."
Resultados em resumo
| Qwen Audio 3.1 TTS | Qwen Audio 3.0 TTS | Gemini 3.8 Flash TTS | StepAudio 3 TTS | |
|---|---|---|---|---|
| Criador | Alibaba | Alibaba | StepFun | |
| Unidade de faturamento | Tokens: entrada de texto, 12,5 tokens por segundo de saída de áudio | Personagens | Tokens | Personagens |
| Preço por esse pedido | $0.0008 | $0.0035 | $0.0180 | $0.0026 |
| Duração do áudio | 16,8 segundos | 13,4 segundos | 15,4 segundos | 12,3 segundos |
| Hora do arquivo finalizado | 13,4 segundos | 16,6 segundos | 7,5 segundos | 4,4 segundos |
| Vozes | 19 | Mais de 1.000 | 30 na lista de vozes, mais de 2.000 na biblioteca | 12 vozes oficiais |
| Campo de direção | Instrução | Instrução | style_prompt | Instrução |
| Streaming | Sim | Sim | Sim | Sim |
Como administramos
Cada modelo lia o mesmo script com a mesma direção, passado no campo de direção do modelo. Cada um usava uma voz feminina em inglês de sua própria biblioteca, retornava MP3 e mantinha todas as outras configurações em seu padrão; Qwen Audio 3.0 TTS rodava no seu nível Plus padrão. Um disparo cada. Os preços são os valores cobrados exatamente por esses pedidos. Os tempos são segundos de parede para um pedido em 18 de outubro de 2026, desde o envio do pedido até o recebimento do arquivo finalizado; todos os quatro modelos também transmitem áudio enquanto ele é gerado.
O que observar
Entrega. Ouça como cada voz lida com a mudança de cansaço para alegre ao "parabéns" e como isso muda o ritmo ao longo da última frase.
Comprimento e preço. O mesmo texto produzia entre 12,3 e 16,8 segundos de áudio. Qwen Audio 3.1 TTS e Gemini 3.8 Flash TTS cobram o áudio que geram, então uma leitura mais lenta custa mais; Qwen Audio 3.0 TTS e StepAudio 3 TTS cobram os caracteres que você envia.
Faça o mesmo teste no EmpirioLabs
curl https://api.empiriolabs.ai/v1/audio/speech \ -H "Autorização: Portador $EMPIRIOLABS_API_KEY" \ -H "Tipo-de-Conteúdo: application/json" \ -d '{ "modelo": "qwen-audio-3-1-tts", "voz": "Ava_v3.1", "entrada": "Abri a carta esperando outra rejeição educada. Em vez disso, a primeira linha dizia: parabéns, o trabalho é seu. Li três vezes antes de me deixar acreditar.", "instrução": "Comece quieto e um pouco cansado, depois fique surpreso e feliz com a última frase.", "response_format": "mp3" }'Troca modelo e Voz para executar o mesmo pedido contra qwen-audio-3-0-tts, gemini-3-8-flash-tts (com style_prompt no lugar de Instrução) ou stepaudio-3-tts, ou tentar eles no playground.
Perguntas frequentes
Os clipes foram editados ou retentados?
Não. Cada clipe é o primeiro áudio que o modelo retornou para este pedido, sem edição.
Por que os clipes têm comprimentos diferentes?
Cada modelo acompanha o mesmo roteiro à sua maneira, e a direção exige uma mudança de humor no meio do caminho. O comprimento importa para o preço no Qwen Audio 3.1 TTS e no Gemini 3.8 Flash TTS, que cobram o áudio gerado.
Qual devo usar?
Ouça os clipes com seu próprio roteiro. O mesmo pedido funciona para os quatro, com apenas o modelo, voz e campo de direção alterados.
Experimente
Playground □ Todos os modelos □ Preços
Divulgação: Este artigo foi escrito com assistência de IA e revisado por EmpirioLabs IA.
