简短回答： 对于同一174字符的文字， Qwen音频3.1 TTS 成本最低，不到十分之一美分， StepAudio 3 TTS 返回文件最快， 双子座3.8闪电TTS 价格最高，不到两美分。 Qwen音频3.0转语音转语音系统 售价不到半美分。四个节目都通过同一个演讲终点EmpirioLabs运行。请收听下面的每个片段;我们不会宣布获胜者。
听听那四个声音
剧本：“我打开信件，期待又是礼貌的拒绝。结果第一句写着：恭喜你，这份工作是你的。我读了三遍才允许自己相信。”指示是：“先安静且略带疲惫，然后在最后一句话时感到惊喜和喜悦。”
结果一览
| Qwen音频3.1 TTS | Qwen音频3.0转语音转语音系统 | 双子座3.8闪电TTS | StepAudio 3 TTS | |
|---|---|---|---|---|
| 制造者 | 阿里巴巴 | 阿里巴巴 | 谷歌 | 步舞乐趣 |
| 计费单元 | 令牌：输入文本，每秒输出12.5个令牌 | 角色介绍 | 代币 | 角色介绍 |
| 此请求的代价 | $0.0008 | $0.0035 | $0.0180 | $0.0026 |
| 音频长度 | 16.8秒 | 13.4秒 | 15.4秒 | 12.3秒 |
| 完成文件的时间 | 13.4秒 | 16.6秒 | 7.5秒 | 4.4秒 |
| 配音 | 19 | 超过1000人 | 声音列表里有30个，图书馆里有2000多个 | 12个官方声音 |
| 方向场 | 教学 | 教学 | style_prompt | 教学 |
| 流媒体 | 是的 | 是的 | 是的 | 是的 |
我们的运行方式
每个模型都读取相同的脚本，方向相同，在模型自己的方向字段中传递。每个模型使用自有库中的英文女性声音，返回MP3，其他设置保持默认;Qwen Audio 3.0 TTS运行在其默认Plus档。每个版本一帧。价格是针对这些精确请求的收费金额。时间为墙钟秒，适用于2026年10月18日的一次请求，从发送请求到收到完成文件;四个型号在音频生成过程中都会进行流式传输。
需要注意什么
送货。 注意每个声音在“恭喜”时从疲惫转为喜悦的转变，以及最后一句话节奏的变化。
长度和价格。 相同的文本产生了12.3到16.8秒的音频。Qwen Audio 3.1 TTS和Gemini 3.8 Flash TTS会按生成的音频计费，因此较慢的阅读成本更高;Qwen Audio 3.0 TTS和StepAudio 3 TTS会计费你发送的字符。
对EmpirioLabs做同样的测试
curl https://api.empiriolabs.ai/v1/audio/speech \ -h “授权：持有者 $EMPIRIOLABS_API_KEY” \ -h “内容类型：application/json” \ -d '{ “model”： “qwen-audio-3-1-tts”， “voice”： “Ava_v3.1”， “input”： “我打开信件，期待又是礼貌的拒绝。然而，第一行写着：恭喜，工作是你的。我读了三遍才让自己相信。”， “instruction”：“一开始安静且有些疲惫，然后在最后一句话中感到惊喜和喜悦。”， “response_format”： “mp3” }'交换 模型 以及 声音 用同样的请求来处理 qwen-audio-3-0-tts, (中文), gemini-3-8-flash-tts （其中 style_prompt 代替 教学）或 stepaudio-3-tts或者试试 playground。 。 。.
常见问题解答
这些片段被剪辑或重录了吗？
没有。每个片段都是模型首次回复的音频，未经编辑。
为什么夹子长度不同？
每个模型都以自己的方式跟着相同的剧本节奏，导演会要求在剧情中途切换情绪。在Qwen Audio 3.1 TTS和Gemini 3.8 Flash TTS中，长度对价格影响很大，这些都对生成音频进行计费。
我应该用哪一个？
用你自己的脚本听片段。同样的请求适用于四个版本，只是换了模型、声音和导演字段。
试试看吧
Playground | 所有型号 | 定价
披露:这篇文章是在AI的协助下撰写的,并由EmpirioLabs AI审查.
