Google TTS Neural2 vs Google TTS Standard

vs

Welches Modell wofür

google-tts-standard ist 4x günstiger, $4 pro Million Zeichen gegenüber $16, und trägt die breiteste Locale-Spanne der Reihe; neural2 ist die höherwertige Wiedergabe auf einer viel kürzeren Liste von 17 Locales. Keines von beiden streamt, beide nehmen 5000 Bytes pro Anfrage, beide unterstützen SSML und numerische Stimmparameter - und standard zählt ein Mehrbyte-Zeichen nur einmal, was für CJK-Texte zählt. Nehmen Sie standard für Reichweite und Kosten, neural2, wo seine Locale abgedeckt ist und Qualität zählt.

Preise

Google TTS Neural2 Google TTS Standard Δ
Pro 1M Zeichen $16 $4 4×

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 Neural2 Google TTS Standard
Streaming nein nein
SSML supported supported
Abrechnungseinheit character character

Spezifikationen

Google TTS Neural2 Google TTS Standard
Eingabemodalitäten Text Text
Ausgabemodalitäten Audio Audio
Veröffentlicht 2022-06-27 2018-03-27
Limit pro Anfrage 5000 bytes 5000 bytes
Stimmen 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.

Stimm-ids folgen einem Muster aus Locale plus Buchstabe (en-US-Standard-A, cmn-CN-Standard-A). Googles Vergleichstabelle führt Standard als kosteneffizient, allgemein verfügbar, per SSML steuerbar und nicht streamingfähig

die Dokumentation führt die Stimmen auf parametrische Sprachsynthese zurück, die durch Vokoder geleitet wird.

Sprachen 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. Die breiteste Locale-Spanne aller Cloud-TTS-Stimmtypen. Standard-Stimm-ids sind veröffentlicht für af-ZA, ar-XA, bg-BG, bn-IN, ca-ES, cmn-CN, cmn-TW, cs-CZ, da-DK, de-DE, el-GR, en-AU, en-GB, en-IN, en-US, es-ES, es-US, et-EE, eu-ES, fi-FI, fil-PH, fr-CA, fr-FR, gl-ES, gu-IN, he-IL, hi-IN, hu-HU, id-ID, is-IS, it-IT, ja-JP, kn-IN, ko-KR, lt-LT, lv-LV, ml-IN, mr-IN, ms-MY, nb-NO, nl-BE, nl-NL, pa-IN, pl-PL, pt-BR, pt-PT, ro-RO, ru-RU, sk-SK, sr-RS, sv-SE, ta-IN, te-IN, th-TH, tr-TR, uk-UA, ur-IN, vi-VN und yue-HK.
Stimmsteuerung
  • 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
  • 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. 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.

Inhaltsgrenze von insgesamt 5.000 Byte pro synthesize-Anfrage (ein einzelnes Zeichen umfasst in manchen Locales mehrere Byte). Ausgabe als LINEAR16 (mit WAV-Header zurückgegeben), 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

Long Audio Synthesis (Preview) deckt asynchron bis zu 1 Million Byte Eingabe ab. Abgerechnet pro Zeichen einschließlich Leerzeichen und Zeilenumbrüchen, und alle SSML-Tags außer <mark> zählen mit

bei Standard und WaveNet wird ein Mehrbyte-Zeichen einmal berechnet.

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 Neural2 · Google TTS Standard

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-neural2",
    # model="google-tts-standard",  # 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 Neural2 oder Google TTS Standard?

Google TTS Standard ist bei Pro 1M Zeichen günstiger ($4 vs. $16, Faktor 4.0). 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 Neural2 gegen Google TTS Standard 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