

Qwen-Audio-3.0-TTS: 요금과 음성 제어
Qwen-Audio-3.0-TTS는 입력 문자 수로 과금되며, 싱가포르 리전 정가는 Flash 100만 자당 $15, Plus $20입니다. 두 등급의 차이, 음성 제어, 이용 방법을 정리했습니다.
Qwen-Audio-3.0-TTS를 검토 중이라면 두 가지부터 기억하세요. 입력 텍스트의 문자 수로 과금된다는 점, 그리고 오픈 웨이트가 아니라 Alibaba Cloud Model Studio의 호스팅 API로 제공된다는 점입니다. APIMart는 현재 이 모델을 제공하지 않으므로, 아래 내용은 모두 Alibaba Cloud의 공식 가격과 문서를 기준으로 합니다.
간단히 요약하면 다음과 같습니다:
- 두 등급 모두 문자 수 기준으로 과금되며, 아래는 공식 정가입니다.
- Flash(
qwen-audio-3.0-tts-flash)는 싱가포르(국제) 리전에서 1만 자당 $0.15, 즉 100만 자당 $15입니다. - Plus(
qwen-audio-3.0-tts-plus)는 싱가포르 리전에서 1만 자당 $0.2, 즉 100만 자당 $20입니다. - 두 등급 모두 베이징과 싱가포르 리전에서 분당 180회 요청으로 제한됩니다.
- 음성은 자유 형식 지시문과 감정·톤·캐릭터·말하기 속도·음량·스타일을 지정하는 세분화된 태그로 조절합니다.
- 공식 출시 글에는 16개 언어, 프리셋 음성 라이브러리, 음성 복제가 소개되어 있습니다.
- Flash는 실시간 상호작용용으로, 첫 패킷 지연이 200ms 이내입니다.
- Plus는 내레이션과 브랜드 보이스 같은 고품질 생성용입니다.
예시로 규모를 가늠해 보겠습니다. Flash의 싱가포르 정가인 100만 자당 $15로 계산하면 500자 x 30,000회 요청은 1,500만 자로 월 약 $225이고, 같은 양을 Plus로 처리하면 약 $300입니다. 프로모션이 반영되지 않은 정가이므로, 예산을 잡기 전에 Alibaba Cloud 가격 페이지를 확인하세요.
이 가이드는 설정 체크리스트로 읽으면 좋습니다. 비용을 추정하고, 등급을 고르고, 음성과 짧은 지시문을 정하고, 실제 트래픽으로 테스트한 뒤 출시하세요.

핵심 요약
- Qwen-Audio-3.0-TTS는 입력 텍스트 문자 수로 과금되며, 싱가포르 리전 공식 정가는 Flash 100만 자당 $15, Plus 100만 자당 $20입니다.
- 이 모델은 Alibaba Cloud Model Studio의 호스팅 API로 베이징과 싱가포르 리전에서 제공되며, APIMart는 현재 제공하지 않습니다.
- 음성은 자유 형식 지시문과 세분화된 태그로 제어하며 감정, 톤, 캐릭터, 말하기 속도, 음량, 스타일을 조절할 수 있습니다.
- Flash는 실시간 용도로 첫 패킷 지연이 200ms 이내이고, Plus는 고품질 내레이션과 브랜드 보이스에 맞춰져 있습니다.
- 두 등급 모두 분당 180회 요청으로 제한되며, Model Studio에 최대 입력 길이가 명시되어 있지 않으므로 긴 스크립트는 출시 전에 테스트하세요.
Qwen-Audio-3.0-TTS 요금 및 과금

Alibaba Cloud의 Flash와 Plus 공식 모델 페이지에 따르면 Qwen-Audio-3.0-TTS는 입력 텍스트 문자 수로 과금됩니다. APIMart는 현재 이 모델을 제공하지 않으므로 Alibaba Cloud Model Studio를 통해 이용해야 합니다.
요금 단위의 작동 방식
Flash와 Plus 두 등급 모두 입력 텍스트 1만 자 단위로 가격이 매겨지며, 호출하는 리전에 따라 가격이 다릅니다. 아래는 프로모션이 반영되지 않은 정가이며, 최종 기준은 Alibaba Cloud 가격 페이지입니다.
| 등급 | 싱가포르(국제) | 중국(베이징) | 100만 자당(싱가포르) |
|---|---|---|---|
Flash(qwen-audio-3.0-tts-flash) | $0.15 / 1만 자 | $0.137521 / 1만 자 | $15 |
Plus(qwen-audio-3.0-tts-plus) | $0.2 / 1만 자 | $0.19253 / 1만 자 | $20 |
출처: Alibaba Cloud Model Studio의 Flash와 Plus 모델 페이지(2026년 10월 확인).
Flash는 저지연 대량 작업에 적합합니다. Plus는 내레이션과 브랜드 음성 작업에 더 잘 맞습니다.
월간 비용 추정 방법
계산은 꽤 간단합니다: 요청당 평균 문자 수를 구해 월간 요청량을 곱하고, 1,000,000으로 나눈 뒤, 100만 자당 요율을 곱하면 됩니다.
Flash 싱가포르 정가 100만 자당 $15, Plus $20으로 계산하면 다음과 같습니다.
| 사용 사례 | 요청당 평균 문자 수 | 월간 요청 수 | 예상 월 비용(Flash) | 예상 월 비용(Plus) |
|---|---|---|---|---|
| 채팅 어시스턴트 | 500 | 30,000 | 약 $225 | 약 $300 |
| 고객 지원 | 1,200 | 30,000 | 약 $540 | 약 $720 |
| 영상 내레이션 | 10,000 | 30,000 | 약 $4,500 | 약 $6,000 |
짧은 응답 한 번의 비용은 아주 적습니다. Flash로 500자는 1센트도 안 됩니다. 하지만 양이 늘면 합계가 빠르게 커지고, 긴 내레이션일수록 더 빨리 늘어납니다.
비용이 정해지면, 다음 단계는 출력을 형성하는 음성 제어를 선택하는 것입니다.
Qwen-Audio-3.0-TTS의 음성 제어
요금이 명확해졌으니, 다음 단계는 음성을 형성하는 것입니다.
Qwen-Audio-3.0-TTS는 음성을 연출하는 두 가지 방법을 제공합니다. 자유 형식 지시문은 원하는 전달 방식을 자연어로 설명하고, 세분화된 태그는 감정, 톤, 캐릭터, 말하기 속도, 음량, 스타일 같은 속성을 정확히 지정합니다 [1]. 일관된 출력을 원하면 음성과 짧은 지시문을 고정하고, 읽는 느낌을 바꾸고 싶으면 지시문을 바꾸세요.
음성과 언어
Alibaba의 공식 출시 글에는 아랍어, 중국어, 영어, 프랑스어, 독일어, 인도네시아어, 이탈리아어, 일본어, 한국어, 말레이어, 포르투갈어, 러시아어, 스페인어, 타갈로그어, 태국어, 베트남어 등 16개 언어가 나열되어 있으며, 여러 중국어 방언의 재현도도 개선되었습니다 [2]. 이 언어들을 아우르는 프리셋 음성 라이브러리도 있어 음성을 복제하지 않고도 바로 시작할 수 있습니다.
음성 복제도 지원합니다. 공식 글에 따르면 참조 음성이 완벽하지 않아도 잔향과 잡음을 억제하면서 화자의 음색을 유지합니다 [2]. 기본 원칙은 간단합니다. 음성을 대상 언어에 맞추고, 제품이나 캐릭터마다 하나의 음성을 고정하세요.
Model Studio 모델 페이지에는 출력 포맷과 샘플레이트가 나와 있지 않고, 공식 글에서는 48kHz 출력을 '곧 지원 예정'이라고 설명합니다. 이를 전제로 미디어 파이프라인을 구성하기 전에 사용하는 리전의 API 레퍼런스에서 두 가지를 모두 확인하세요.
어조, 속도, 감정
말하기 속도는 감정, 톤, 캐릭터, 음량, 스타일과 함께 태그로 지정할 수 있는 속성 중 하나입니다 [1]. 태그로 표현할 수 없는 전달 방식은 "차분하고 안심되는 목소리로, 평소보다 조금 느리게"처럼 자연어로 설명하세요. 공식 글에는 [gasp], [giggles], [angry] 같은 비언어 태그를 텍스트에 직접 넣을 수 있다는 내용도 있습니다 [2].
| 제어 항목 | 설정 방법 | 오디오 효과 | 적합한 사용 사례 |
|---|---|---|---|
| 음성 | 프리셋 음성을 고르거나 참조 음성으로 복제 | 기본 음색과 억양을 결정 | 브랜드 캐릭터, 현지화 콘텐츠 |
| 감정 / 톤 | 세분화된 태그 또는 자유 형식 지시문 | 운율과 감정 표현을 바꿈 | 마케팅, 게임 캐릭터, 고객 지원 |
| 말하기 속도 / 음량 | 세분화된 태그 | 속도와 크기를 조절 | 교육 콘텐츠, 빠른 고지 문구 |
| 역할 / 상황 | 자유 형식 지시문 | 캐릭터나 상황에 맞는 연기 방식을 결정 | 오디오북, 광고, 대사 |
| 비언어 소리 | 텍스트 안의 인라인 태그 | 숨 들이쉬는 소리, 웃음 등을 추가 | 게임 대사, 표현력 있는 내레이션 |
주의할 점이 하나 있습니다. 감정과 속도는 서로 영향을 줍니다. 흥분한 말투를 지시하면 속도 태그를 올리지 않아도 더 빠르게 들릴 수 있으니, 속도가 예상과 다르면 먼저 지시문을 확인하세요.
태그와 자유 형식 지시문
음성 선택과 몇 가지 태그를 프로덕션 기준선으로 생각하면 편합니다. 이것이 매 출력의 기본 음성 정체성을 정하고, 자유 형식 지시문은 그 위에서 연기를 다듬습니다.
안정적인 프로덕션 출력이 필요할 때는 기준선을 고정하고, 변화를 주고 싶을 때는 지시문을 바꾸세요. 실제로는 한 단어짜리 지시보다 누가, 누구에게, 어떤 기분으로 말하는지 구체적으로 적는 편이 결과가 좋습니다.
이 기본값은 그대로 테스트에 가져가게 되므로, 먼저 모델의 성능을 살펴보겠습니다.
Qwen-Audio-3.0-TTS의 성능
가격과 제어 옵션은 음성 품질이 받쳐 줄 때 의미가 있습니다. 공개된 벤치마크 결과와, 직접 운영 환경에서 다시 확인해야 할 부분을 정리했습니다.
핵심 TTS 지표: 자연스러움, WER, CER, 화자 유사도, 지연
프로덕션 팀에게는 몇 가지 핵심 지표가 대부분의 무거운 일을 해냅니다:
| 지표 | 측정 대상 | 왜 중요한가 |
|---|---|---|
| WER / CER | 콘텐츠 일관성과 명료성 | 점수가 낮을수록 합성 음성이 입력 텍스트에 더 가깝게 일치 |
| SIM (Cosine) | 화자 유사도와 음색 충실도 | 음성 복제와 브랜드 음성 일관성에 결정적 |
| UTMOS / PESQ | 예측된 자연스러움과 음향 품질 | 전반적 오디오 깔끔함과 인간이 인지하는 품질을 반영 |
| Latency (ms) | 첫 오디오까지의 시간 | 모델이 실시간 사용 사례에 적합한지 결정 |
Alibaba가 Qwen-Audio-3.0-TTS 자체에 대해 공개한 수치는 다음과 같습니다 [2].
16개 언어 테스트 세트에서 이 모델 계열은 16개 언어 중 10개에서 가장 낮은 WER/CER을 기록했으며, 평균 오류율은 Flash 3.87, Plus 3.96입니다. 오류율이 낮을수록 단어를 빠뜨리거나 엉뚱하게 바꾸지 않고 원문에 더 가깝게 읽는다는 뜻입니다.
화자 유사도에서는 Plus가 평균 82.75로 16개 언어 모두에서 1위를 차지했고, Flash는 평균 80.44입니다 [2]. 음성 복제를 다루거나 브랜드 보이스를 일관되게 유지해야 한다면 꼭 챙겨 봐야 할 지표입니다.
공식 글에 따르면 Plus는 Artificial Analysis TTS 리더보드 1위입니다 [2]. 일부 글은 이 모델에 영어 WER 1.24나 97ms 지연 같은 수치를 인용하지만, 이는 Qwen 팀이 GitHub에 공개한 별개의 오픈소스 모델 Qwen3-TTS의 수치이며 이 호스팅 모델과는 관계가 없습니다.
다국어 품질과 언어 간 일관성
여러 시장을 대상으로 한다면 언어가 바뀌어도 같은 음성 정체성을 유지하는 것이 보통 가장 어렵습니다. Qwen-Audio-3.0-TTS는 16개 언어를 지원하며 여러 중국어 방언의 재현도도 높였습니다 [2].
공개된 수치도 이를 뒷받침합니다. Plus는 16개 언어 모두에서 화자 유사도 1위를 기록했는데, 이것이 바로 프리셋 음성이나 복제 음성이 시장이 바뀌어도 같은 사람처럼 들리게 하는 특성입니다 [2].
그 꾸준함은 현지화된 음성 워크플로를 구축하는 팀에게 큰 의미가 있습니다. 한 언어는 세련되게 들리고 다른 언어는 마치 다른 제품에서 나온 것처럼 느껴지길 원하지는 않을 테니까요.
최상위 순위가 시사하는 것과 팀이 여전히 테스트해야 할 것
강력한 벤치마크 결과는 청신호이지 최종 답은 아닙니다. 이는 모델이 진지하게 주목할 가치가 있음을 알려 주지만, 프로덕션 테스트의 필요성을 없애 주지는 않습니다.
팀은 여전히 자체 환경에서 몇 가지를 확인해야 합니다: 장문 내레이션 안정성, 감정 프롬프트 전반의 지시 이행, 언어 간 음색 일관성입니다. 바로 이 지점들이 모델이 벤치마크에서는 훌륭해 보여도 일상 사용에서 거친 구간에 부딪힐 수 있는 곳입니다.
벤치마크 점수는 테스트 세트 전체의 평균입니다. 특정 음성이 40분짜리 내레이션에서 안정적인지, 자사 제품명을 어떻게 읽는지는 알 수 없으니 직접 스크립트로 확인하세요.
지연은 API를 어디에서 호출하느냐에도 달려 있습니다. Model Studio는 베이징과 싱가포르 리전에서 모델을 제공하므로, 선택한 리전까지의 네트워크 거리도 사용자가 느끼는 지연에 더해집니다.
공식 모델 페이지에서 Alibaba는 Flash의 첫 패킷 지연을 200ms 이내로 유지한다고 밝혔으며, Plus의 지연 수치는 공개하지 않았습니다 [1].
Qwen-Audio-3.0-TTS 이용 방법
Qwen-Audio-3.0-TTS는 Alibaba Cloud Model Studio의 호스팅 API로 중국(베이징)과 싱가포르(국제) 두 리전에서 제공됩니다. 사용할 리전에서 API 키를 만들고 그 리전의 엔드포인트를 호출하세요. 키와 엔드포인트는 리전 간에 호환되지 않습니다. 모델 ID는 qwen-audio-3.0-tts-flash와 qwen-audio-3.0-tts-plus이며, 요청 방법은 공식 Flash·Plus 모델 페이지와 거기서 연결되는 API 레퍼런스에 나와 있습니다.
APIMart는 현재 Qwen-Audio-3.0-TTS를 제공하지 않으므로 APIMart 키로는 이 모델을 호출할 수 없습니다.
일반적인 시나리오별 권장 설정
이용을 시작하면 출발점을 정하기가 훨씬 쉬워집니다. 아래 표는 일반적인 사용 사례를 등급과 지시문 스타일에 연결한 것입니다.
| 시나리오 | 권장 등급 | 지시문 스타일 | 비용 민감도 |
|---|---|---|---|
| 고객 지원 | Flash | 친절하고 차분하게 | 높음 |
| 앱 온보딩 | Plus | 따뜻하고 환영하는 느낌 | 중간 |
| 교육 내레이션 | Plus | 신뢰감 있고 차분하게 | 중간 |
| 광고 크리에이티브 | Plus | 활기차고 역동적으로 | 낮음 |
| 제품 영상 보이스오버 | Plus | 전문적이고 명확하게 | 낮음 |
요청 제한과 프로덕션 점검
두 등급 모두 리전마다 분당 180회 요청으로 제한됩니다 [1][3]. 프로덕션으로 넘어가기 전에 예상 피크 수준으로 부하 테스트를 하고, 제한에 걸린 요청은 지수 백오프로 재시도하세요. 긴 스크립트도 테스트해야 합니다. Model Studio에는 최대 입력 길이가 명시되어 있지 않으니 문장이나 단락 단위로 나눠 보내고 나중에 오디오를 이어 붙이세요.
올바른 설정 선택과 다음 단계
간단한 의사결정 프레임워크
요금과 음성 제어가 정해졌으니, 이 마지막 필터를 사용해 모델을 필요한 작업에 맞추세요.
예산, 음성 제어, 사용 사례를 기준으로 선택하세요.
| 우선순위 | 가장 적합 | 권장 등급 |
|---|---|---|
| 저지연 및 대량 | 실시간 어시스턴트, IVR, 실시간 번역 | Flash |
| 대량 비용 효율 | 대량 현지화, 대량 고객 지원 | Flash |
| 표현력 있는 브랜드 내레이션 | 브랜드 내레이션, 장편 오디오, 캐릭터 음성 | Plus |
긴 내레이션이라면 처음부터 끝까지 같은 음성을 쓰세요. 지시문은 짧고 분명하며 반복 가능하게 유지하세요. 그러면 출력이 더 안정적이고 예상 밖의 결과도 줄어듭니다.
더 단순한 구성이라면 더 간단하게 가세요. 음성 하나를 고르고 필요할 때 지시문만 바꾸면 됩니다.
관련 비교는 Qwen-Audio-3.0-TTS: Flash vs Plus 설명 글에서 확인하세요.
배포 요소: API 통합, 처리량, 인프라 계획
모델을 골랐다면, 배포 부하가 그것이 프로덕션에서 버틸지를 결정합니다. 바로 여기서 많은 팀이 발목을 잡힙니다. 모델은 데모에서는 훌륭해 보이다가 트래픽이 몰리면 고전할 수 있습니다.
주된 요소는 동시성인데, 이는 지연과 처리량 모두에 영향을 미치기 때문입니다. 그러니 한 번에 하나의 요청으로만 테스트하지 마세요. 예상 최대 부하에서 테스트하세요. 그것이 사람들이 동시에 사용할 때 시스템이 어떻게 동작하는지 볼 수 있는 유일한 방법입니다.
Qwen-Audio-3.0-TTS는 Alibaba Cloud Model Studio에서 호스팅되므로 GPU 인프라를 직접 운영할 필요가 없습니다. 계획해야 할 것은 분당 180회 요청 제한, 리전 선택, 피크 시간대의 요청 대기열 처리입니다.
워크플로, 지연, 통합이 맞아떨어지면 선택은 더 이상 이론적이지 않습니다. 그것은 운영 결정이 됩니다.
구현으로 가져갈 핵심 사항
등급을 고르고 나면, 가장 자주 실행할 시나리오를 중심으로 설정을 구성하세요. 그러면 출시 계획이 엣지 케이스가 아니라 실제 사용에 기반하게 됩니다.
- 출시 전에 사용량 알림을 설정하세요.
- 각 시나리오를 고유한 화자, 속도,
instruct프롬프트로 검증하세요. - 출시 전에 미국 원어민 청취자로 출력을 테스트하세요.
- 리전을 미리 정하세요. 베이징과 싱가포르는 API 키와 엔드포인트가 따로입니다.
또한 출시 전에 요청 제한과 일시적인 서버 오류를 시스템이 어떻게 처리하는지 테스트하세요.
FAQ
요청당 문자 수 제한이 있나요?
Alibaba Cloud의 Flash와 Plus 모델 페이지에는 최대 입력 길이가 나와 있지 않습니다. 특정 한도를 전제로 설계하기 전에 사용하는 리전의 API 레퍼런스를 확인하세요.
그래도 긴 스크립트는 나누는 것이 좋습니다. 문장이나 단락 끝처럼 자연스러운 지점에서 나눠 하나씩 보내고, 돌아온 오디오를 하나의 최종 트랙으로 합치세요.
일관된 출력을 위해 어떤 음성 설정을 고정해야 하나요?
긴 출력을 안정적으로 유지하려면 프리셋 음성이나 복제 음성 하나를 골라 프로젝트 전체에 사용하세요. 캐릭터와 전달 방식을 설명하는 짧은 지시문을 쓰고 글자 그대로 재사용하세요.
태그도 일관되게 유지하세요. 특히 말하기 속도와 음량을 맞춰 두면 구간마다 음성이 흔들리지 않습니다. 출시 전에는 실제 길이의 스크립트로 리허설을 해서 문제를 일찍 찾으세요.
언제 Plus 대신 Flash를 선택해야 하나요?
속도와 낮은 지연이 가장 중요하다면 Flash를 고르세요. 실시간 상호작용용으로 첫 패킷 지연이 200ms 이내라 가상 비서, 실시간 번역, 고객 지원에 잘 맞습니다.
속도보다 품질이 중요하다면 Plus를 고르세요. 고품질 생성을 겨냥한 등급으로, Alibaba가 공개한 테스트에서 화자 유사도 1위를 기록해 오디오북, 전문 보이스오버, 브랜드 미디어에 적합합니다.
성능 시대가 TTS에 어떤 의미인가요?
텍스트 음성 변환은 뻣뻣하고 로봇 같은 출력을 넘어 성능급 전달로 나아갔습니다. 쉽게 말해, 이는 모델이 감정, 리듬, 톤을 훨씬 잘 다룰 수 있어 음성이 실제로 듣고 싶은 것에 더 가깝게 들린다는 뜻입니다.
기술적 측면에서, 종단 간 아키텍처는 병목과 오류를 줄입니다. 그 성과는 고충실도 오디오와 매우 낮은 지연의 스트리밍입니다. 기업에게 이는 보이스오버, 게임 캐릭터, 교육 콘텐츠를 포함한 실시간 상호작용과 프로덕션 환경에서 AI 음성을 훨씬 실용적으로 만듭니다.
이 모델을 배포하기 전에 무엇을 테스트해야 하나요?
Qwen-Audio-3.0-TTS를 배포하기 전에 Model Studio의 어느 리전을 쓸지 정하고, API 키와 엔드포인트가 그 리전과 일치하는지 확인하세요.
피크 트래픽을 분당 180회 요청 제한과 비교해 보는 것도 도움이 됩니다. 대기열 처리나 더 높은 할당량이 필요한지 미리 알 수 있습니다.
다음으로 드라이 테스트를 실행하세요. 구성, API 통합, 음성 설정이 기대한 대로 매핑되었는지 확인하고 싶을 것입니다. 설정 하나가 어긋나면 파이프라인 전체가 겉으로는 멀쩡해 보이면서도 잘못된 출력을 낼 수 있습니다.
그다음 실제 스크립트로 음성, 태그, 지시문을 테스트하세요. 이 부분의 작은 변경이 출력 품질에 생각보다 큰 영향을 줄 수 있으니, 출시 후에 고치기보다 미리 확인하는 편이 낫습니다.
APIMart 팀 소개
APIMart 팀은 AI로 제품을 만드는 개발자를 위해 모델 가이드, 비교 분석, 가격 분석을 작성합니다. APIMart는 하나의 API로 여러 제공업체의 채팅·이미지·영상 모델을 제공하므로, 이 글에서 다룬 모델을 출시 전에 나란히 비교해 볼 수 있습니다.
모델 마켓에서 원하는 모델을 선택하세요
APIMart 모델 마켓에서 채팅, 이미지, 비디오 모델을 사용해 보고 하나의 통합 API로 모델 기능을 빠르게 경험하세요.
