Google TTS Chirp 3 HD vs TTS-1 HD

vs

Cuál usar y cuándo

Ambos cobran $30 por millón de caracteres y ambos hacen streaming, así que la diferencia está en el control y la longitud: google-tts-chirp3-hd admite 5000 bytes por petición, expone parámetros numéricos de voz y lista SSML en vista previa, mientras que tts-1-hd admite 4096 caracteres y no ofrece control de voz alguno. La cobertura es amplia en ambos, aunque la lista de tts-1-hd sigue el conjunto de idiomas de Whisper en vez de una lista enumerada de locales. Elige google-tts-chirp3-hd cuando debas moldear la interpretación, tts-1-hd cuando la voz por defecto baste.

Precios

Google TTS Chirp 3 HD TTS-1 HD 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 TTS-1 HD
Streaming sí sí
SSML preview undocumented
Unidad de facturación character character

Especificaciones

Google TTS Chirp 3 HD TTS-1 HD
Modalidades de entrada texto texto
Modalidades de salida audio audio
Lanzamiento 2025-03 2023-11-06
Límite por solicitud 5000 bytes 4096 characters
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. alloy, ash, coral, echo, fable, onyx, nova, sage y shimmer, un conjunto menor que la lista completa de 13 voces de TTS, y las voces están actualmente optimizadas para el inglés.
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. En general sigue el soporte de idiomas del modelo Whisper: afrikáans, árabe, armenio, azerbaiyano, bielorruso, bosnio, búlgaro, catalán, chino, croata, checo, danés, neerlandés, inglés, estonio, finés, francés, gallego, alemán, griego, hebreo, hindi, húngaro, islandés, indonesio, italiano, japonés, canarés, kazajo, coreano, letón, lituano, macedonio, malayo, maratí, maorí, nepalí, noruego, persa, polaco, portugués, rumano, ruso, serbio, eslovaco, esloveno, español, suajili, sueco, tagalo, tamil, tailandés, turco, ucraniano, urdu, vietnamita y galés, pese a que las voces están optimizadas para el inglés
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
none
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.

Solo el endpoint de generación de voz (v1/audio/speech), con Chat Completions, Responses, Realtime, Batch y Fine-tuning indicados todos como no admitidos

el texto de entrada está limitado a 4096 caracteres

salida mp3 (por defecto), opus, aac, flac, wav o pcm (muestras en bruto de 24 kHz, 16 bits, con signo y little-endian)

reproducción en tiempo real mediante codificación de transferencia por fragmentos

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 · TTS-1 HD

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

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 TTS-1 HD 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