Google TTS Chirp 3 HD vs BytePlus Seed TTS 2.0

vs

Welches Modell wofür

Nach den Katalogfakten sind diese beiden austauschbar: google-tts-chirp3-hd und seed-tts-2.0 berechnen beide $30 pro Million Eingabe-Token, beide bieten ein 4096-Token-Kontextfenster, und beide nehmen Text an und geben Audio unter derselben Sprachfunktion zurück. Da es keinen Preis-, Kontext- oder Modalitätsunterschied abzuwägen gibt, läuft die Entscheidung auf die Anbieterpräferenz hinaus - Google für google-tts-chirp3-hd, ByteDance für seed-tts-2.0 - und darauf, welche Sprachausgabe Ihre Zuhörer in einem A/B-Test tatsächlich bevorzugen. Die Budget- und Prompt-Längen-Planung kann für beide identisch erfolgen.

Preise

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0 Δ
Pro 1M Zeichen $30 $30 =

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 BytePlus Seed TTS 2.0
Streaming ja ja
SSML preview unsupported
Abrechnungseinheit character character

Spezifikationen

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0
Eingabemodalitäten Text Text
Ausgabemodalitäten Audio Audio
Veröffentlicht 2025-03 2025-10-16
Limit pro Anfrage 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.

TTS-2.0-Stimmen tragen Speaker-IDs der Form *_uranus_bigtts und sind auf der Voice-List-Seite nach Szenario gelistet (General, Entertainment, Education, Dubbing, AudioBook, RolePlay, CustomerService)

Emotion je Stimme über audio_params.emotion mit emotion_scale 1 bis 5 (Standard 4), speech_rate und loudness_rate in [-50, 100] sowie post_process.pitch in [-12, 12].

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. Englisch, Chinesisch, Japanisch, Deutsch, Französisch, mexikanisches Spanisch, indonesisches Bahasa, brasilianisches Portugiesisch, Italienisch und Koreanisch
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
context_texts und section_id gibt es nur bei TTS 2.0: Eine Anweisung in natürlicher Sprache steuert Tempo, Emotion, Lautstärke und Stil (nur der erste Wert der Liste wird wirksam, und sein Text wird nicht abgerechnet), und section_id verknüpft bis zu 30 Runden oder 10 Minuten früherer Synthese als historischen Kontext.
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.

Anbindung über unidirektionales Streaming-HTTP, uni- oder bidirektionales Streaming-WebSocket und Online-SDK

Abtastrate 24K/16K/8K auf den unidirektionalen Streaming- und Nicht-Streaming-Schnittstellen, 48K/24K/16K/8K auf der bidirektionalen Schnittstelle

Output als PCM, OGG_OPUS oder MP3 (WAV wird akzeptiert, gibt beim Streaming aber mehrere Header zurück)

SSML wird nicht unterstützt

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 · BytePlus Seed TTS 2.0

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="seed-tts-2.0",  # 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 BytePlus Seed TTS 2.0?

Beide berechnen $30 für „Pro 1M Zeichen“. Andere Tarife und die tatsächliche Nutzung können die Gesamtkosten verändern.

Kann ich Google TTS Chirp 3 HD gegen BytePlus Seed TTS 2.0 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