Google TTS Chirp 3 HD vs Google TTS Neural2

vs

Cuál usar y cuándo

google-tts-neural2 es 1.9x más barato ($16 por millón de caracteres frente a $30) y admite SSML de pleno derecho, donde google-tts-chirp3-hd lo lista como vista previa - pero neural2 no hace streaming y publica una lista de locales mucho más corta, 17 locales con identificadores de voz con nombre. Ambos aceptan 5000 bytes por petición y exponen parámetros numéricos de voz. Elige google-tts-neural2 para trabajo por lotes guiado por SSML en un locale cubierto, google-tts-chirp3-hd para streaming y amplitud de locales.

Precios

Google TTS Chirp 3 HD Google TTS Neural2 Δ
Por 1M de caracteres $30 $16 1.9×

Tarifas tomadas del catálogo en vivo al generar el sitio; la página de cada modelo tiene la ficha de precios actualizada.

Dónde queda cada uno: precio por 1M de caracteres entre los 7 modelos de síntesis de voz que se facturan en esta unidad (escala logarítmica)

Capacidades

Google TTS Chirp 3 HD Google TTS Neural2
Streaming sí no
SSML preview supported
Unidad de facturación character character

Especificaciones

Google TTS Chirp 3 HD Google TTS Neural2
Modalidades de entrada texto texto
Modalidades de salida audio audio
Lanzamiento 2025-03 2022-06-27
Límite por solicitud 5000 bytes 5000 bytes
Voces Las voces llevan nombres de estrellas y se publican con un género: 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 y Zubenelgenubi. Un prefijo de configuración regional forma el id, p. ej. en-US-Chirp3-HD-Charon. Google describe el conjunto como 30 estilos distintos en muchos idiomas. Los ids de voz siguen el patrón de configuración regional más letra (en-US-Neural2-F, ja-JP-Neural2-B). La tabla comparativa de Google presenta Neural2 como de propósito general, disponible con carácter general, controlable mediante SSML y sin capacidad de streaming, y la documentación indica que las voces se basan en la misma tecnología que se usa para crear una Custom Voice, lo que permite a cualquiera usar la tecnología de Custom Voice sin entrenar la suya propia.
Idiomas 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 y vi-VN. Una lista de configuraciones regionales mucho más corta que la de Standard. Hay ids de voz Neural2 publicados para 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 y vi-VN. Google señala que las voces Neural2 están disponibles en los endpoints global y de región única.
Control de voz
  • Los controles de voz están en Preview: el ritmo mediante speaking_rate de 0.25 a 2.0
  • las etiquetas de pausa [pause short], [pause long] y [pause] solo se aceptan en el campo de entrada markup, nunca en text, y el modelo puede desatender las etiquetas colocadas de forma poco natural
  • pronunciaciones personalizadas en IPA o X-SAMPA
  • el soporte de SSML está en Preview y es solo síncrono, no admitido en las solicitudes de streaming, con las etiquetas no listadas ignoradas y say-as con interpret-as=expletive o bleep no admitido
  • Controles de AudioConfig: speakingRate de 0.25 a 2.0 (1.0 nativo)
  • pitch de -20.0 a 20.0 semitonos
  • volumeGainDb de -96.0 a 16.0
  • perfiles de dispositivo effectsProfileId para reproducción en wearable, teléfono, auriculares, altavoz Bluetooth pequeño y mediano, gran equipo de entretenimiento doméstico, gran sistema de audio de coche y telefonía
  • las etiquetas SSML incluyen speak, break, say-as, sub, mark, prosody, emphasis, phoneme, voice y lang
Límites

Límite de contenido de 5000 bytes totales por solicitud de síntesis. Formato de respuesta por defecto LINEAR16

el streaming admite ALAW, MULAW, OGG_OPUS y PCM, y el modo por lotes añade MP3, así que MP3 no está disponible en la ruta de streaming. Es el único tipo de voz que la tabla comparativa de Google marca con capacidad de streaming. Disponible con carácter general en los endpoints global, us y eu, además de asia-southeast1, europe-west2 y asia-northeast1, pero fuera del ámbito de regionalización y residencia de datos. Facturado por carácter, incluidos los espacios y los saltos de línea, y con todas las etiquetas SSML salvo <mark> contabilizadas.

Límite de contenido de 5000 bytes totales por solicitud de síntesis. Salida LINEAR16 (con cabecera WAV), MP3 a 32 kbps, OGG_OPUS o G.711 MULAW y ALAW

el sampleRateHertz opcional remuestrea y hace fallar la solicitud si la frecuencia no está admitida para esa codificación. No se ofrece mediante síntesis en streaming. Facturado por carácter, incluidos los espacios y los saltos de línea, y con todas las etiquetas SSML salvo <mark> contabilizadas

la nota de que los caracteres multibyte cuentan una sola vez se aplica únicamente a Standard y WaveNet.

Las especificaciones se transcriben de la documentación de cada proveedor; si un proveedor no publica un dato, la fila se omite en vez de deducirlo. Fuentes completas: Google TTS Chirp 3 HD · Google TTS Neural2

Cambia de uno a otro con una sola línea

Los dos ids aparecen en todas las pestañas de abajo; lo único que cambia es el par de líneas resaltadas. El endpoint, la clave y la estructura de la solicitud son los mismos.

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",  # descomenta esta línea, comenta la de arriba
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

Obtén tu clave API →

Preguntas frecuentes

¿Cuál es más barato, Google TTS Chirp 3 HD o Google TTS Neural2?

Google TTS Neural2 es más barato en Por 1M de caracteres ($16 frente a $30, una diferencia de 1.9×). En otras filas puede ser al revés: la tabla de arriba recoge todas las tarifas, y el coste real depende de tu combinación de uso.

¿Puedo hacer pruebas A/B de Google TTS Chirp 3 HD frente a Google TTS Neural2 sin dos integraciones?

Sí. Los dos se sirven desde el mismo endpoint compatible con OpenAI y con una sola clave API. Para cambiar de uno a otro basta con tocar una línea, el nombre del modelo, así que puedes mandar una parte del tráfico a cada uno y comparar directamente las facturas.

¿Cómo se factura el texto a voz?

Por carácter del texto de entrada, con un máximo de caracteres por solicitud que figura en la tabla de especificaciones. Con cualquiera de los dos modelos, los textos largos hay que repartirlos en varias solicitudes.

Comparativas relacionadas

De nuestros estudios con mediciones