Google TTS Chirp 3 HD vs BytePlus Seed TTS 2.0

vs

Cuál usar y cuándo

Según los datos del catálogo, estos dos son intercambiables: tanto google-tts-chirp3-hd como seed-tts-2.0 facturan $30 por millón de tokens de entrada, ambos tienen una ventana de contexto de 4096 tokens, y ambos reciben texto y devuelven audio bajo la misma capacidad de voz. Sin ninguna diferencia de tarifa, contexto o modalidad que evaluar, la elección se reduce a la preferencia de proveedor - Google para google-tts-chirp3-hd, ByteDance para seed-tts-2.0 - y a la salida de voz que tus oyentes realmente prefieran en una prueba A/B. La planificación del presupuesto y de la longitud del prompt puede ser idéntica para cualquiera de los dos.

Precios

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0 Δ
Por 1M de caracteres $30 $30 =

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 BytePlus Seed TTS 2.0
Streaming sí sí
SSML preview unsupported
Unidad de facturación character character

Especificaciones

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0
Modalidades de entrada texto texto
Modalidades de salida audio audio
Lanzamiento 2025-03 2025-10-16
Límite por solicitud 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.

Las voces de TTS 2.0 llevan identificadores de hablante *_uranus_bigtts y se listan por escenario (General, Entertainment, Education, Dubbing, AudioBook, RolePlay, CustomerService) en la página Voice List

emoción por voz mediante audio_params.emotion con emotion_scale de 1 a 5 (4 por defecto), speech_rate y loudness_rate en [-50, 100], y post_process.pitch en [-12, 12].

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. Inglés, chino, japonés, alemán, francés, español de México, bahasa indonesio, portugués de Brasil, italiano y coreano
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
context_texts y section_id son exclusivos de TTS 2.0: una instrucción en lenguaje llano dirige la velocidad, la emoción, el volumen y el estilo (solo surte efecto el primer valor de la lista, y su texto no se factura), y section_id enlaza hasta 30 rondas o 10 minutos de síntesis anterior como contexto histórico.
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.

Integración mediante HTTP de streaming unidireccional, WebSocket de streaming uni o bidireccional y SDK en línea

frecuencia de muestreo 24K/16K/8K en las interfaces de streaming unidireccional y sin streaming, y 48K/24K/16K/8K en la interfaz bidireccional

salida PCM, OGG_OPUS o MP3 (se acepta WAV, pero devuelve varias cabeceras al transmitir)

SSML no está admitido

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 · BytePlus Seed TTS 2.0

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

Ambos cobran $30 en «Por 1M de caracteres». Otras tarifas y la cantidad de unidades consumidas pueden cambiar el coste total.

¿Puedo hacer pruebas A/B de Google TTS Chirp 3 HD frente a BytePlus Seed TTS 2.0 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