Google TTS Chirp 3 HD vs TTS-1 HD

vs

Welches Modell wofür

Beide berechnen $30 pro Million Zeichen und beide streamen, der Unterschied liegt also in Kontrolle und Länge: google-tts-chirp3-hd nimmt 5000 Bytes pro Anfrage, bietet numerische Stimmparameter und führt SSML als Vorschau, während tts-1-hd 4096 Zeichen nimmt und gar keine Stimmkontrolle bietet. Die Abdeckung ist auf beiden breit, auch wenn die Liste von tts-1-hd dem Sprachsatz von Whisper folgt statt einer aufgezählten Locale-Liste. Nehmen Sie google-tts-chirp3-hd, wenn Sie den Vortrag formen müssen, tts-1-hd, wenn die Standardstimme reicht.

Preise

Google TTS Chirp 3 HD TTS-1 HD 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 TTS-1 HD
Streaming ja ja
SSML preview undocumented
Abrechnungseinheit character character

Spezifikationen

Google TTS Chirp 3 HD TTS-1 HD
Eingabemodalitäten Text Text
Ausgabemodalitäten Audio Audio
Veröffentlicht 2025-03 2023-11-06
Limit pro Anfrage 5000 bytes 4096 characters
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. alloy, ash, coral, echo, fable, onyx, nova, sage und shimmer, eine kleinere Auswahl als die vollständige TTS-Liste mit 13 Stimmen, und die Stimmen sind derzeit auf Englisch optimiert.
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. Folgt im Wesentlichen der Sprachunterstützung des Whisper-Modells: Afrikaans, Arabisch, Armenisch, Aserbaidschanisch, Belarussisch, Bosnisch, Bulgarisch, Katalanisch, Chinesisch, Kroatisch, Tschechisch, Dänisch, Niederländisch, Englisch, Estnisch, Finnisch, Französisch, Galicisch, Deutsch, Griechisch, Hebräisch, Hindi, Ungarisch, Isländisch, Indonesisch, Italienisch, Japanisch, Kannada, Kasachisch, Koreanisch, Lettisch, Litauisch, Mazedonisch, Malaiisch, Marathi, Maori, Nepalesisch, Norwegisch, Persisch, Polnisch, Portugiesisch, Rumänisch, Russisch, Serbisch, Slowakisch, Slowenisch, Spanisch, Suaheli, Schwedisch, Tagalog, Tamil, Thailändisch, Türkisch, Ukrainisch, Urdu, Vietnamesisch und Walisisch, obwohl die Stimmen auf Englisch optimiert 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
none
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.

Nur der Endpoint zur Sprachgenerierung (v1/audio/speech)

Chat Completions, Responses, Realtime, Batch und Fine-Tuning sind sämtlich als nicht unterstützt gelistet

der Eingabetext ist auf 4096 Zeichen begrenzt

Output als mp3 (Standard), opus, aac, flac, wav oder pcm (rohe 24-kHz-16-Bit-Samples, vorzeichenbehaftet, Little Endian)

Echtzeitwiedergabe über Chunked Transfer Encoding

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 · TTS-1 HD

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="tts-1-hd",  # 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 TTS-1 HD?

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 TTS-1 HD 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