Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS em resumo

Qwen Audio 3.1 TTS de Alibaba Cloud e Gemini 3.8 Flash TTS de Google pertencem à categoria Geração de Áudio e estão disponíveis pela API da EmpirioLabs.

Principais diferenças

• Qwen Audio 3.1 TTS é o lançamento mais recente (23 de set. de 2026); Gemini 3.8 Flash TTS foi lançado em 22 de set. de 2026.
• Recursos indicados apenas para Qwen Audio 3.1 TTS: expressive prosody, emotion control, low latency, realtime.
• Recursos indicados apenas para Gemini 3.8 Flash TTS: multi speaker, voice control.
• Qwen Audio 3.1 TTS tem a tarifa mais baixa para Entrada (por 1M de tokens de prompt) e Saída (por 1M de tokens gerados).

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS: especificações

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS: preços da API

Tarifas ao vivo do catálogo da EmpirioLabs para os dois modelos. Cada tabela de tarifas sempre corresponde ao que a API cobra.

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS: parâmetros da API

Parâmetros de requisição que cada modelo indica na EmpirioLabs, com os valores permitidos ou o intervalo quando houver. Um traço marca um parâmetro que o modelo não indica.

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS: limites e notas

Qwen Audio 3.1 TTS

Vozes

• 19 vozes: 15 vozes em inglês e 4 vozes multilíngues. Emily, Luna, Eric e Luca têm sotaque britânico. Abby, Annie, Ava, Beth, Betty, Cally, Cindy, Donna, Andy, Brian e David têm sotaque americano. As vozes multilíngues longanhuan_v3.1, longanlingxin_v3.1, longanfengyue_v3.1 e xunanchuan_v3.1 leem chinês, inglês e outros idiomas.
• Todo ID de voz termina em _v3.1, por exemplo, Emily_v3.1.

Vozes personalizadas

• Defina voice para custom e passe voice_audio_url, uma URL https para 10 a 20 segundos de fala clara de um alto-falante.
• WAV, MP3, M4A, OGG, WEBM e FLAC são aceitos, até 15 MB. Grave em um ambiente silencioso, sem música ou outras vozes.
• A resposta inclui voice_id e voice_id_expires_at. Passe o voice_id como voice reutilizar a voz por 7 dias, no POST /v1/audio/speech, POST /v1/audio/speech:stream ou no socket em tempo real, onde session.update pega os mesmos campos e session.updated retorna o voice_id. Somente a conta que a criou pode usá-la.
• Cada conta pode conter 10 vozes personalizadas nesse modelo por vez.
• GET /v1/voices?model=qwen-audio-3-1-tts lista as vozes do modelo, incluindo suas vozes personalizadas com seus IDs. Adicione type=custom para listar apenas as vozes personalizadas.
• DELETE /v1/voices/{voice_id}?model=qwen-audio-3-1-tts deleta uma voz personalizada, que libera seu lugar imediatamente.
• No Playground, defina Voz como Personalizado para usar uma voz salva novamente, copie o id dela ou delete-a.
• Criar, listar e excluir vozes personalizadas não cobra nada.

Direção de entrega

• instruction define emoção, tom, caráter, ritmo e estilo de fala em linguagem natural, até 1.000 caracteres.
• Tags inline dentro do texto alteram a entrega a partir desse ponto, por exemplo, [excited] ou [whispers], ou adicionam um som único como [laughing] ou [sighing]. A lista completa de tags está no parâmetro input.
• Entrada SSML não é suportada.

Limites de entrada

• Até 10.000 caracteres por pedido.
• language_hints viés a pronúncia para textos de línguas mistas.

Saída

• MP3, WAV, PCM ou Opus entre 8.000 e 48.000 Hz.
• POST /v1/audio/speech:stream envia trechos de áudio enquanto a fala é gerada.

Tempo real

• WEBSOCKET /v1/realtime?model=qwen-audio-3-1-tts pega texto enquanto ainda está sendo escrito e retorna o áudio conforme é gerado. Envie input_text_buffer.append eventos, depois input_text_buffer.commit ou session.finish para encerrar a sessão.
• O áudio chega em response.audio.delta eventos: PCM de 16 bits a 24.000 Hz por padrão, ou MP3 ou Opus. Defina as opções de voz, instrução, formato e outras com session.update; uma alteração se aplica a partir do próximo segmento.
• O texto é falado em segmentos que terminam nos limites das frases, e cada segmento termina com um evento response.done carregando seu uso.

Faturamento

• Tokens de entrada são o texto, e tokens de saída são o áudio gerado a 12,5 tokens por segundo.
• Velocidade e pitch mudam o comprimento do áudio renderizado, mas não os tokens faturados. Uma instrução que retarda a entrega adiciona tokens de saída.

Gemini 3.8 Flash TTS

Limites

• Texto: até 5.000 caracteres por pedido
• Faturamento de áudio: 32 tokens de saída por segundo de áudio gerado
• 130 idiomas. O idioma do texto é detectado automaticamente.

Vozes

• As 30 vozes da lista de voice falam todos os idiomas suportados.
• GET /v1/voices?model=gemini-3-8-flash-tts lista a biblioteca completa de mais de 2.000 vozes em 30 locais, com o idioma, sotaque, gênero, tom e uma descrição de cada um. Filtre com language, gender, pitch ou q. Qualquer id que ele retorne funciona como voice ou voice2; quando você também definir language, use o idioma próprio da voz.

Vozes personalizadas

• Defina voice para custom e passe duas gravações do mesmo falante adulto como URLs https: voice_audio_url, de 10 a 30 segundos de fala natural, e voice_consent_audio_url, o falante lendo "Eu sou o dono desta voz e consinto que o Google use essa voz para criar um modelo de voz sintética." A afirmação é aceita em 30 idiomas; consent_statements nesse parâmetro lista cada redação.
• Ambos devem ser gravações de uma pessoa real, em um cômodo silencioso no mesmo microfone. Áudio gerado por IA não é aceito. WAV, MP3, M4A, OGG, WEBM e FLAC são aceitos, com até 15 MB cada.
• A resposta inclui voice_id e voice_id_expires_at. Passe a voice_id como voice ou voice2 para reutilizar a voz por 7 dias sem novas gravações. Uma voice_id funciona apenas para a conta que a criou.
• Esse modelo não mantém nenhuma lista de vozes personalizadas, então mantenha o voice_id da resposta. Uma voz personalizada termina quando seu id expira, então não há nada para deletar.
• No Playground, defina Voz como Personalizado para usar uma voz criada na mesma aba novamente, ou copie seu id.

Direção de entrega

• Coloque a direção para toda a passagem em style_prompt em vez de no texto, por exemplo, "calorosa, sem pressa e reconfortante".
• Coloque tags vocais na linha onde o som deve acontecer. Use essas tags em inglês mesmo quando o texto estiver em outro 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>

• Coloque uma palavra maiúscula para enfatizar. Envolva uma reação do ouvinte em tubos, por exemplo |mm-hmm|, para adicioná-la sem começar uma nova turnada.

Multi-alto-falante

• Até dois alto-falantes por pedido. Comece cada linha com um nome de alto-falante e dois pontos, por exemplo Orador1: e Orador2:. Os nomes devem corresponder a speaker1_name e speaker2_name.

Saída

• WAV, MP3, OGG (Opus), ALAW ou MULAW, entre 8.000 e 48.000 Hz.
• POST /v1/audio/speech:stream envia chunks PCM de 16 bits a 24.000 Hz enquanto o áudio é gerado, depois o arquivo completo no formato solicitado. speed está disponível apenas no POST /v1/audio/speech.

Como chamar Qwen Audio 3.1 TTS e Gemini 3.8 Flash TTS

Qwen Audio 3.1 TTS gera fala por POST /v1/audio/speech e retorna áudio reproduzível. Envie o texto a ser falado em input com o id de modelo qwen-audio-3-1-tts. Os dois modelos são chamados pelo mesmo endpoint. Defina model como qwen-audio-3-1-tts ou gemini-3-8-flash-tts. Obtenha uma chave de API no painel 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: testes e guias

Testes de prompts e comparações que cobrem os dois modelos.

Guias Qwen Audio 3.1 TTS vs Qwen Audio 3.0 TTS vs Gemini 3.8 Flash TTS vs StepAudio 3 TTS: um script Demos ao Qwen Audio 3.1 TTS, Qwen Audio 3.0 TTS, Gemini 3.8 Flash TTS e StepAudio 3 TTS o mesmo roteiro e direção de...

Qwen Audio 3.1 TTS vs Gemini 3.8 Flash TTS: perguntas frequentes

Qual é a diferença entre Qwen Audio 3.1 TTS e Gemini 3.8 Flash TTS?

Qwen Audio 3.1 TTS é o lançamento mais recente (23 de set. de 2026); Gemini 3.8 Flash TTS foi lançado em 22 de set. de 2026. Recursos indicados apenas para Qwen Audio 3.1 TTS: expressive prosody, emotion control, low latency, realtime. Recursos indicados apenas para Gemini 3.8 Flash TTS: multi speaker, voice control. As especificações, as tabelas de tarifas e os parâmetros desta página vêm do catálogo ao vivo da EmpirioLabs.

Qual é mais recente, Qwen Audio 3.1 TTS ou Gemini 3.8 Flash TTS?

Qwen Audio 3.1 TTS é o lançamento mais recente (23 de set. de 2026); Gemini 3.8 Flash TTS foi lançado em 22 de set. de 2026.

Qual tem a tarifa mais baixa, Qwen Audio 3.1 TTS ou Gemini 3.8 Flash TTS?

Qwen Audio 3.1 TTS tem a tarifa mais baixa para Entrada (por 1M de tokens de prompt) e Saída (por 1M de tokens gerados). As duas tabelas de tarifas ao vivo estão nesta página e sempre correspondem ao que a API cobra.

Posso alternar entre Qwen Audio 3.1 TTS e Gemini 3.8 Flash TTS sem reconstruir minha integração?

Sim. Os dois modelos usam POST /v1/audio/speech com a mesma chave de API da EmpirioLabs, então a maioria das integrações alterna só mudando o valor model. Confira antes a tabela de parâmetros desta página se você depende de um parâmetro específico de um modelo.