Google TTS Chirp 3 HD vs Google TTS Neural2

vs

Welches Modell wofür

google-tts-neural2 ist 1.9x günstiger ($16 pro Million Zeichen gegenüber $30) und unterstützt SSML regulär, während google-tts-chirp3-hd es als Vorschau führt - aber neural2 streamt nicht und veröffentlicht eine deutlich kürzere Locale-Liste, 17 Locales mit benannten Stimm-IDs. Beide nehmen 5000 Bytes pro Anfrage und bieten numerische Stimmparameter. Nehmen Sie google-tts-neural2 für SSML-getriebene Stapelarbeit in einer abgedeckten Locale, google-tts-chirp3-hd für Streaming und Locale-Breite.

Preise

Google TTS Chirp 3 HD Google TTS Neural2 Δ
Pro 1M Zeichen $30 $16 1.9×

Preise aus dem Live-Katalog, Stand des letzten Builds. Die aktuellen Preise stehen auf der jeweiligen Modellseite.

Einordnung: Preis pro 1M Zeichen aller 7 Text-to-Speech-Modelle mit dieser Abrechnungseinheit (logarithmische Skala)

Fähigkeiten

Google TTS Chirp 3 HD Google TTS Neural2
Streaming ja nein
SSML preview supported
Abrechnungseinheit character character

Spezifikationen

Google TTS Chirp 3 HD Google TTS Neural2
Eingabemodalitäten Text Text
Ausgabemodalitäten Audio Audio
Veröffentlicht 2025-03 2022-06-27
Limit pro Anfrage 5000 bytes 5000 bytes
Stimmen Die Stimmen sind nach Sternen benannt und mit einem Geschlecht veröffentlicht: Achernar, Achird, Algenib, Algieba, Alnilam, Aoede, Autonoe, Callirrhoe, Charon, Despina, Enceladus, Erinome, Fenrir, Gacrux, Iapetus, Kore, Laomedeia, Leda, Orus, Pulcherrima, Puck, Rasalgethi, Sadachbia, Sadaltager, Schedar, Sulafat, Umbriel, Vindemiatrix, Zephyr und Zubenelgenubi. Ein Locale-Präfix bildet die id, z. B. en-US-Chirp3-HD-Charon. Google beschreibt den Satz als 30 verschiedene Stile über viele Sprachen hinweg. Stimm-ids folgen dem Muster aus Locale plus Buchstabe (en-US-Neural2-F, ja-JP-Neural2-B). Googles Vergleichstabelle führt Neural2 als general purpose, allgemein verfügbar, per SSML steuerbar und nicht streamingfähig, und die Dokumentation gibt an, dass die Stimmen auf derselben Technologie beruhen, die zur Erstellung einer Custom Voice verwendet wird, sodass jeder Custom-Voice-Technologie nutzen kann, ohne eine eigene zu trainieren.
Sprachen ar-XA, bn-IN, bg-BG, yue-HK, hr-HR, cs-CZ, da-DK, nl-BE, nl-NL, en-AU, en-IN, en-GB, en-US, et-EE, fi-FI, fr-CA, fr-FR, de-DE, el-GR, gu-IN, he-IL, hi-IN, hu-HU, id-ID, it-IT, ja-JP, kn-IN, ko-KR, lv-LV, lt-LT, ml-IN, cmn-CN, mr-IN, nb-NO, pl-PL, pt-BR, pa-IN, ro-RO, ru-RU, sr-RS, sk-SK, sl-SI, es-ES, es-US, sw-KE, sv-SE, ta-IN, te-IN, th-TH, tr-TR, uk-UA, ur-IN und vi-VN. Eine deutlich kürzere Locale-Liste als bei Standard. Neural2-Stimm-ids sind veröffentlicht für da-DK, de-DE, en-AU, en-GB, en-IN, en-US, es-ES, es-US, fr-CA, fr-FR, hi-IN, it-IT, ja-JP, ko-KR, pt-BR, th-TH und vi-VN. Google merkt an, dass Neural2-Stimmen auf globalen und Einzelregion-Endpunkten verfügbar sind.
Stimmsteuerung
  • Die Stimmsteuerungen sind Preview: Tempo über speaking_rate 0.25 bis 2.0
  • die Pausen-Tags [pause short], [pause long] und [pause] werden nur im markup-Eingabefeld akzeptiert, nie im Text, und das Modell kann unnatürlich platzierte Tags missachten
  • eigene Aussprachen in IPA oder X-SAMPA
  • die SSML-Unterstützung ist Preview und nur synchron, für Streaming-Anfragen nicht unterstützt, wobei nicht gelistete Tags ignoriert werden und say-as interpret-as=expletive oder bleep nicht unterstützt wird
  • AudioConfig-Steuerungen: speakingRate 0.25 bis 2.0 (1.0 nativ)
  • pitch -20.0 bis 20.0 Halbtöne
  • volumeGainDb -96.0 bis 16.0
  • effectsProfileId-Geräteprofile für Wearable, Handset, Kopfhörer, kleine und mittlere Bluetooth-Lautsprecher, große Home-Entertainment-Anlagen, große Autoanlagen und Telefonie-Wiedergabe
  • zu den SSML-Tags gehören speak, break, say-as, sub, mark, prosody, emphasis, phoneme, voice und lang
Limits

Inhaltsgrenze von insgesamt 5.000 Byte pro synthesize-Anfrage. Standard-Antwortformat LINEAR16

Streaming unterstützt ALAW, MULAW, OGG_OPUS und PCM, Batch ergänzt MP3, sodass MP3 auf dem Streaming-Pfad nicht verfügbar ist. Der einzige Stimmtyp, den Googles Vergleichstabelle als streamingfähig markiert. Allgemein verfügbar auf den Endpunkten global, us und eu sowie asia-southeast1, europe-west2 und asia-northeast1, jedoch außerhalb des Geltungsbereichs von Regionalisierung und Datenresidenz. Abgerechnet pro Zeichen einschließlich Leerzeichen und Zeilenumbrüchen, wobei alle SSML-Tags außer <mark> mitzählen.

Inhaltsgrenze von insgesamt 5.000 Byte pro synthesize-Anfrage. Ausgabe als LINEAR16 (mit WAV-Header), MP3 mit 32 kbps, OGG_OPUS oder G.711 MULAW und ALAW

das optionale sampleRateHertz resampelt und lässt die Anfrage fehlschlagen, wenn die Rate für das Encoding nicht unterstützt wird. Wird nicht über die Streaming-Synthese angeboten. Abgerechnet pro Zeichen einschließlich Leerzeichen und Zeilenumbrüchen, wobei alle SSML-Tags außer <mark> mitzählen

der Hinweis, dass ein Mehrbyte-Zeichen einmal zählt, gilt nur für Standard und WaveNet.

Die Spezifikationen stammen aus der Dokumentation des jeweiligen Anbieters. Veröffentlicht ein Anbieter eine Angabe nicht, lassen wir die Zeile weg, statt sie zu schätzen. Vollständige Quellen: Google TTS Chirp 3 HD · Google TTS Neural2

Eine Zeile genügt für den Wechsel

Beide IDs stehen in jedem Tab unten. Die beiden hervorgehobenen Zeilen sind die einzige Änderung. Gleicher Endpunkt, gleicher Schlüssel, gleiches Anfrageformat.

from openai import OpenAI

client = OpenAI(
    base_url="https://synthorai.io/v1",
    api_key="sk-syn-...",
)

resp = client.audio.transcriptions.create(
    model="google-tts-chirp3-hd",
    # model="google-tts-neural2",  # diese Zeile einkommentieren, die darüberliegende auskommentieren
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

API-Schlüssel erstellen →

FAQ

Welches Modell ist günstiger: Google TTS Chirp 3 HD oder Google TTS Neural2?

Google TTS Neural2 ist bei Pro 1M Zeichen günstiger ($16 vs. $30, Faktor 1.9). Bei anderen Zeilen kann es umgekehrt sein. Die Tabelle oben zeigt alle Preise, und die tatsächlichen Kosten hängen von Ihrem Mix ab.

Kann ich Google TTS Chirp 3 HD gegen Google TTS Neural2 A/B-testen, ohne zweimal zu integrieren?

Ja. Beide laufen über denselben OpenAI-kompatiblen Endpunkt mit einem API-Schlüssel. Für den Wechsel ändern Sie nur eine Zeile, den Modellnamen. So können Sie einen Teil des Traffics an jedes Modell schicken und die Kosten direkt vergleichen.

Wie wird Text-to-Speech abgerechnet?

Pro Zeichen des Eingabetexts, mit einer Obergrenze für die Zeichenzahl pro Anfrage, die in der Spezifikationstabelle steht. Lange Texte müssen Sie bei beiden Modellen auf mehrere Anfragen aufteilen.

Verwandte Vergleiche

Aus unseren Studien mit eigenen Messungen