APIMart
APIMart

Qwen-Audio-3.0-TTS: precios y controles de voz

Qwen-Audio-3.0-TTS cobra por carácter de entrada: precio de lista en Singapur de 15 $ por millón para Flash y 20 $ para Plus. Compara niveles, control de voz y acceso.

Tutorial

Si estás evaluando Qwen-Audio-3.0-TTS, empieza por dos hechos: se factura por carácter del texto de entrada y se ofrece como API alojada a través de Alibaba Cloud Model Studio, no como pesos abiertos. APIMart no ofrece este modelo por ahora, así que todo lo que sigue se basa en los precios y la documentación oficiales de Alibaba Cloud.

Aquí va la versión corta:

  • La facturación es por carácter en ambos niveles, a precio de lista oficial.
  • Flash (qwen-audio-3.0-tts-flash) cuesta 0,15 $ por cada 10.000 caracteres en la región de Singapur (internacional), es decir, 15 $ por millón de caracteres.
  • Plus (qwen-audio-3.0-tts-plus) cuesta 0,20 $ por cada 10.000 caracteres en Singapur, es decir, 20 $ por millón de caracteres.
  • Ambos niveles admiten 180 solicitudes por minuto en las regiones de Pekín y Singapur.
  • La voz se dirige con instrucciones libres y etiquetas detalladas para emoción, tono, personaje, velocidad, volumen y estilo.
  • El anuncio oficial menciona 16 idiomas, una biblioteca de voces predefinidas y clonación de voz.
  • Flash está pensado para interacción en tiempo real, con una latencia hasta el primer paquete inferior a 200 ms.
  • Plus está pensado para generación de alta calidad, como narración y voz de marca.

Un ejemplo rápido muestra la escala. Con el precio de lista de Flash en Singapur, 15 $ por millón de caracteres, 500 caracteres x 30.000 solicitudes son 15 millones de caracteres, unos 225 $ al mes; el mismo volumen en Plus sale por unos 300 $. Son precios de lista sin promociones, así que revisa la página de precios de Alibaba Cloud antes de presupuestar.

Yo leería esta guía como una lista de configuración: estima el coste, elige un nivel, fija una voz y una instrucción breve, prueba con tráfico real y luego lanza.

APIMart
Qwen-Audio-3.0-TTS: Flash frente a Plus – precios, voces y casos de uso de un vistazo

Puntos clave

  • Qwen-Audio-3.0-TTS se factura por carácter del texto de entrada; los precios de lista oficiales en la región de Singapur son 15 $ por millón de caracteres para Flash y 20 $ para Plus.
  • El modelo se ofrece como API alojada en Alibaba Cloud Model Studio, en las regiones de Pekín y Singapur; APIMart no lo ofrece por ahora.
  • La voz se controla con instrucciones libres y etiquetas detalladas para emoción, tono, personaje, velocidad, volumen y estilo.
  • Flash apunta al tiempo real, con latencia hasta el primer paquete inferior a 200 ms; Plus apunta a narración de alta calidad y voz de marca.
  • Ambos niveles admiten 180 solicitudes por minuto y Model Studio no indica una longitud máxima de entrada, así que prueba los guiones largos antes del lanzamiento.

Precios y facturación de Qwen-Audio-3.0-TTS

APIMart

Según las páginas oficiales de Alibaba Cloud para Flash y Plus, Qwen-Audio-3.0-TTS se factura por caracteres del texto de entrada. APIMart no ofrece este modelo por ahora, así que el acceso es a través de Alibaba Cloud Model Studio.

Cómo funcionan las unidades de precio

Los dos niveles, Flash y Plus, se cobran por cada 10.000 caracteres de texto de entrada, y el precio depende de la región a la que llames. Son precios de lista sin promociones; la referencia final es la página de precios de Alibaba Cloud:

NivelSingapur (internacional)China (Pekín)Por millón de caracteres (Singapur)
Flash (qwen-audio-3.0-tts-flash)0,15 $ / 10.000 caracteres0,137521 $ / 10.000 caracteres15 $
Plus (qwen-audio-3.0-tts-plus)0,20 $ / 10.000 caracteres0,19253 $ / 10.000 caracteres20 $

Fuente: páginas de modelo de Alibaba Cloud Model Studio para Flash y Plus, consultadas en octubre de 2026.

Flash funciona bien para trabajos de baja latencia y alto volumen. Plus encaja mejor con narración y trabajo de voz de marca.

Cómo estimar tu coste mensual

El cálculo es bastante sencillo: toma el promedio de caracteres por solicitud, multiplícalo por tu volumen mensual de solicitudes, divide entre 1.000.000 y luego multiplica por la tarifa por millón.

Con el precio de lista de Flash en Singapur, 15 $ por millón de caracteres, y 20 $ para Plus, así podría quedar:

Caso de usoCaracteres medios/solicitudSolicitudes al mesCoste mensual estimado (Flash)Coste mensual estimado (Plus)
Asistente de chat50030.000~225 $~300 $
Atención al cliente1.20030.000~540 $~720 $
Narración de vídeo10.00030.000~4.500 $~6.000 $

Una respuesta corta cuesta muy poco (500 caracteres en Flash no llegan a un céntimo), pero con volumen el total sube rápido, y la narración larga es lo que más crece.

Con el coste definido, el siguiente paso es elegir los controles de voz que dan forma a la salida.

Controles de voz en Qwen-Audio-3.0-TTS

Ahora que el precio está claro, el siguiente paso es dar forma a la voz.

Qwen-Audio-3.0-TTS ofrece dos formas complementarias de dirigir una voz. Las instrucciones libres describen la interpretación en lenguaje natural, mientras que las etiquetas detalladas fijan atributos concretos como emoción, tono, personaje, velocidad, volumen y estilo [1]. Si quieres resultados repetibles, fija la voz y una instrucción breve. Si quieres que la lectura cambie, cambia la instrucción.

Voces e idiomas

El anuncio oficial de Alibaba enumera 16 idiomas: árabe, chino, inglés, francés, alemán, indonesio, italiano, japonés, coreano, malayo, portugués, ruso, español, tagalo, tailandés y vietnamita, además de una mejor fidelidad en varios dialectos del chino [2]. También incluye una biblioteca seleccionada de voces predefinidas para esos idiomas, así que puedes empezar sin clonar una voz.

La clonación de voz también está disponible. Según el anuncio, el modelo tolera audio de referencia imperfecto suprimiendo reverberación y ruido sin perder el timbre del hablante [2]. La regla sigue siendo sencilla: elige la voz según el idioma de destino y mantén una sola voz por producto o personaje.

Las páginas de modelo de Model Studio no indican formatos de salida ni frecuencias de muestreo, y el anuncio describe la salida a 48 kHz como «próximamente». Confirma ambas cosas en la referencia de la API de tu región antes de montar un flujo multimedia sobre ellas.

Tono, velocidad y emoción

La velocidad es uno de los atributos que cubren las etiquetas, junto con emoción, tono, personaje, volumen y estilo [1]. Lo que las etiquetas no recojan, descríbelo en lenguaje natural, por ejemplo «tranquilo y cercano, un poco más lento de lo normal». El anuncio menciona además etiquetas no verbales como [gasp], [giggles] o [angry], que se insertan directamente en el texto [2].

ControlCómo se ajustaEfecto en el audioCaso de uso ideal
VozElegir una voz predefinida o clonarla a partir de audio de referenciaDefine el timbre base y el acentoPersonajes de marca, contenido localizado
Emoción / TonoEtiquetas detalladas o una instrucción libreCambia la prosodia y la carga emocionalMarketing, personajes de videojuegos, soporte
Velocidad / VolumenEtiquetas detalladasModifica el ritmo y la intensidadContenido educativo, avisos rápidos
Papel / EscenarioInstrucción libreDefine cómo interpreta la voz un personaje o contextoAudiolibros, anuncios, diálogos
Sonidos no verbalesEtiquetas en línea dentro del textoAñade suspiros, risas y señales similaresDiálogos de videojuegos, narración expresiva

Hay un detalle a vigilar: la emoción y el ritmo se influyen entre sí. Una instrucción que pide una lectura entusiasta puede sonar más rápida aunque no hayas etiquetado más velocidad, así que si el ritmo te sorprende, revisa primero la instrucción.

Etiquetas frente a instrucciones libres

Ayuda tratar la elección de voz y un pequeño conjunto de etiquetas como tu base de producción. Definen la identidad central de cada lectura. Después, una instrucción libre se apoya en esa base y da forma a la interpretación.

Mantén la base fija cuando necesites una salida estable y cambia la instrucción cuando quieras variación. En la práctica, describir quién habla, a quién y con qué ánimo funciona mejor que una instrucción de una sola palabra.

Esos valores por defecto son los que llevarás a las pruebas, así que conviene ver primero cómo rinde el modelo.

Qué rendimiento ofrece Qwen-Audio-3.0-TTS

El precio y los controles solo importan si la voz está a la altura. Esto es lo que muestran los benchmarks publicados y lo que conviene comprobar en tu propio entorno.

Métricas centrales de TTS: naturalidad, WER, CER, similitud de hablante y latencia

Para los equipos de producción, unas pocas métricas centrales hacen la mayor parte del trabajo pesado:

MétricaQué midePor qué importa
WER / CERConsistencia del contenido e inteligibilidadPuntuaciones más bajas significan que el habla sintetizada coincide más de cerca con el texto de entrada
SIM (Cosine)Similitud de hablante y fidelidad de timbreCrítica para la clonación de voz y la consistencia de la voz de marca
UTMOS / PESQNaturalidad prevista y calidad acústicaRefleja la limpieza general del audio y la calidad percibida por humanos
Latencia (ms)Tiempo hasta el primer audioDetermina si el modelo sirve para casos de uso en tiempo real

Esto es lo que Alibaba ha publicado sobre el propio Qwen-Audio-3.0-TTS [2].

En su conjunto de pruebas de 16 idiomas, la familia de modelos obtiene el mejor WER/CER en 10 de los 16 idiomas, con tasas de error medias de 3,87 para Flash y 3,96 para Plus. Importa porque una tasa de error más baja suele significar que el modelo se ciñe al texto original en lugar de saltarse palabras o hacer sustituciones raras.

En similitud de hablante, Plus promedia 82,75 y queda primero en los 16 idiomas, mientras que Flash promedia 80,44 [2]. Si trabajas con clonación de voz o necesitas mantener estable una voz de marca, es una métrica que conviene seguir de cerca.

Según el anuncio, Plus también ocupa el puesto n.º 1 en la clasificación TTS de Artificial Analysis [2]. Algunas guías citan otras cifras para este modelo, como un WER en inglés de 1,24 o una latencia de 97 ms. Esas cifras proceden de Qwen3-TTS, un modelo de código abierto distinto que el equipo de Qwen publica en GitHub, y no describen este modelo alojado.

Calidad multilingüe y consistencia entre idiomas

Si atiendes a más de un mercado, lo difícil suele ser mantener la misma identidad de voz en todos los idiomas. Qwen-Audio-3.0-TTS cubre 16 idiomas y mejora la fidelidad en varios dialectos del chino [2].

Las cifras publicadas respaldan esa cobertura: Plus lidera la similitud de hablante en los 16 idiomas, que es justo la propiedad que hace que una voz predefinida o clonada suene a la misma persona de un mercado a otro [2].

Esa constancia es muy importante para los equipos que construyen flujos de voz localizados. No quieres que un idioma suene pulido y otro parezca venir de un producto diferente.

Qué señala un ranking en lo más alto y qué deberían probar aún los equipos

Los buenos resultados en benchmarks son luz verde, no una respuesta final. Te dicen que el modelo merece atención seria, pero no eliminan la necesidad de pruebas en producción.

Los equipos aún necesitan verificar algunas cosas en su propia configuración: estabilidad de la narración en formato largo, adherencia a instrucciones a través de indicaciones emocionales y consistencia de timbre entre idiomas. Esos son los puntos donde un modelo puede verse genial en un benchmark y aun así encontrar tropiezos en el uso diario.

Las puntuaciones de benchmark son medias sobre un conjunto de pruebas. No muestran cómo aguanta una voz concreta una narración de 40 minutos ni cómo lee el modelo los nombres de tus productos, así que haz esas comprobaciones con tus propios guiones.

La latencia también depende de desde dónde llames a la API. Model Studio sirve el modelo desde las regiones de Pekín y Singapur, así que la distancia de red hasta la región elegida se suma a lo que perciben los usuarios.

En la página oficial del modelo, Alibaba indica que Flash mantiene la latencia hasta el primer paquete por debajo de 200 ms; para Plus no se publica ninguna cifra de latencia [1].

Cómo acceder a Qwen-Audio-3.0-TTS

Qwen-Audio-3.0-TTS se ofrece como API alojada en Alibaba Cloud Model Studio, en dos regiones: China (Pekín) y Singapur (internacional). Crea una clave de API en la región que vayas a usar y llama al endpoint de esa misma región, porque las claves y los endpoints no sirven entre regiones. Los ID de modelo son qwen-audio-3.0-tts-flash y qwen-audio-3.0-tts-plus, y los detalles de las solicitudes están en las páginas oficiales de Flash y Plus y en la referencia de la API que enlazan.

APIMart no ofrece Qwen-Audio-3.0-TTS por ahora, así que el modelo no se puede llamar con una clave de APIMart.

Ajustes recomendados para escenarios habituales

Una vez tengas acceso, elegir un punto de partida es mucho más fácil. La tabla relaciona casos de uso habituales con un nivel y un estilo de instrucción.

EscenarioNivel sugeridoEstilo de instrucciónSensibilidad al coste
Atención al clienteFlashServicial y tranquiloAlta
Onboarding de la appPlusCálido y acogedorMedia
Narración educativaPlusSeguro y pausadoMedia
Creatividad publicitariaPlusEnérgico y dinámicoBaja
Locución de vídeo de productoPlusProfesional y claroBaja

Límites de solicitudes y comprobaciones de producción

Ambos niveles están limitados a 180 solicitudes por minuto en cada región [1][3]. Antes de pasar a producción, haz pruebas de carga con tu pico previsto y reintenta las solicitudes limitadas con backoff exponencial. Prueba también los guiones largos: Model Studio no indica una longitud máxima de entrada, así que divide el texto largo por frases o párrafos y une el audio después.

Elegir la configuración adecuada y próximos pasos

Un marco de decisión sencillo

Ahora que el precio y los controles de voz están definidos, usa este último filtro para hacer coincidir el modelo con el trabajo que necesitas realizar.

Elige según el presupuesto, el control de voz y el caso de uso.

PrioridadMejor opciónNivel recomendado
Baja latencia y alto volumenAsistentes en vivo, IVR, traducción en tiempo realFlash
Eficiencia de costes a alto volumenLocalización masiva, atención al cliente de alto volumenFlash
Narración de marca expresivaNarración de marca, audio de formato largo, voces de personajesPlus

Si haces narración larga, mantén la misma voz de principio a fin. Usa instrucciones breves, claras y repetibles. Así suele salir un resultado más estable y con menos sorpresas.

En configuraciones más sencillas, simplifica aún más: elige una voz y cambia solo la instrucción cuando haga falta.

Para una comparación relacionada, consulta Qwen-Audio-3.0-TTS: Flash frente a Plus explicado.

Factores de despliegue: integración de API, rendimiento y planificación de infraestructura

Una vez que has elegido un modelo, la carga de despliegue decide si aguantará en producción. Aquí es donde muchos equipos tropiezan. Un modelo puede verse genial en una demo y luego batallar cuando llega el tráfico.

El factor principal es la concurrencia porque afecta tanto a la latencia como al rendimiento. Así que no pruebes solo con una solicitud a la vez. Prueba con tu carga máxima esperada. Esa es la única forma de ver cómo se comporta el sistema cuando la gente lo usa toda a la vez.

Como Qwen-Audio-3.0-TTS está alojado en Alibaba Cloud Model Studio, no tienes que gestionar infraestructura de GPU. La planificación se reduce al límite de 180 solicitudes por minuto, la elección de región y cómo encolas las solicitudes en los picos.

Una vez que el flujo de trabajo, la latencia y la integración se alinean, la elección deja de ser teórica. Se convierte en una decisión de operaciones.

Puntos clave para llevar a la implementación

Una vez que eliges un nivel, configura las cosas en torno al escenario que ejecutarás con más frecuencia. Eso mantiene tu plan de lanzamiento anclado en el uso real, no en los casos límite.

  • Configura alertas de uso antes del lanzamiento.
  • Verifica cada escenario con su propio locutor, velocidad y prompt de instruct.
  • Prueba la salida con oyentes nativos de EE. UU. antes del lanzamiento.
  • Elige la región desde el principio: Pekín y Singapur usan claves de API y endpoints distintos.

Además, prueba antes del lanzamiento cómo gestiona tu sistema los límites de solicitudes y los errores transitorios del servidor.

Preguntas frecuentes

¿Hay un límite de caracteres por solicitud?

Las páginas de Alibaba Cloud para Flash y Plus no indican una longitud máxima de entrada, así que consulta la referencia de la API de tu región antes de contar con algún límite.

Aun así, dividir los guiones largos es buena práctica. Corta el texto en pausas naturales, como el final de una frase o de un párrafo, envía cada fragmento por separado y une el audio devuelto en una sola pista.

¿Qué ajustes de voz debería fijar para una salida consistente?

Para una salida larga estable, elige una voz predefinida o una voz clonada y mantenla durante todo el proyecto. Escribe una instrucción breve que describa el personaje y la interpretación, y reutilízala tal cual.

Mantén también las etiquetas, sobre todo velocidad y volumen, para que la voz no se desvíe entre secciones. Y antes del lanzamiento, haz una prueba con un guion completo para detectar problemas a tiempo.

¿Cuándo debería elegir Flash en lugar de Plus?

Elige Flash cuando lo más importante sean la velocidad y la baja latencia. Está pensado para interacción en tiempo real, con latencia hasta el primer paquete inferior a 200 ms, lo que encaja con asistentes virtuales, traducción en directo y atención al cliente.

Elige Plus cuando la calidad importe más que la velocidad. Está orientado a generación de alta calidad y lidera la similitud de hablante en las pruebas publicadas por Alibaba, lo que encaja con audiolibros, locuciones profesionales y contenido de marca.

¿Qué significa la era del rendimiento para el TTS?

El texto a voz ha dejado atrás la salida rígida y robótica y ha pasado a una interpretación de grado de rendimiento. En términos sencillos, eso significa que los modelos pueden hacer un trabajo mucho mejor con la emoción, el ritmo y el tono, de modo que la voz suena más cerca de lo que realmente quieres escuchar.

En el lado técnico, las arquitecturas de extremo a extremo reducen los cuellos de botella y los errores. La recompensa es audio de alta fidelidad y streaming de muy baja latencia. Para las empresas, eso hace que la voz con IA sea mucho más práctica en interacciones en vivo y entornos de producción, incluidas las voces en off, los personajes de videojuegos y el contenido educativo.

¿Qué debo probar antes de desplegar este modelo?

Antes de desplegar Qwen-Audio-3.0-TTS, decide qué región de Model Studio vas a usar y comprueba que tu clave de API y tu endpoint correspondan a ella.

También ayuda comparar tu tráfico pico con el límite de 180 solicitudes por minuto. Así sabrás pronto si necesitas una cola o una cuota mayor.

A continuación, ejecuta una prueba en seco. Quieres confirmar que tu configuración, la integración de API y los ajustes de voz están mapeados como esperas. Si un ajuste está mal, todo el pipeline puede verse bien en la superficie mientras sigue produciendo la salida equivocada.

Después, prueba la voz, las etiquetas y las instrucciones con guiones reales. Pequeños cambios ahí pueden afectar a la calidad más de lo que se espera, así que conviene revisarlos pronto en lugar de corregir problemas tras el lanzamiento.

Etiquetas#TTS#Audio#Precios#IA#APIs

Sobre el equipo de APIMart

El equipo de APIMart escribe guías de modelos, comparativas y análisis de precios para desarrolladores que construyen con IA. APIMart ofrece una sola API para modelos de chat, imagen y vídeo de varios proveedores, así que puedes comparar los modelos de este artículo antes de lanzar.

¿Listo para probar?

Elige el modelo que quieres en el marketplace

Prueba modelos de chat, imagen y video en el marketplace de APIMart y experimenta rápidamente sus capacidades con una API unificada.

Modelos de chatModelos de imagenModelos de video
Explorar marketplace