Google TTS Neural2 vs Google TTS Standard

vs

Cuál usar y cuándo

google-tts-standard es 4x más barato, $4 por millón de caracteres frente a $16, y tiene la mayor amplitud de locales de la línea; neural2 es la síntesis de más calidad sobre una lista mucho más corta de 17 locales. Ninguno hace streaming, ambos admiten 5000 bytes por petición, ambos soportan SSML y parámetros numéricos de voz - y standard cuenta una sola vez un carácter multibyte, lo que importa en texto CJK. Elige standard por alcance y coste, neural2 donde su locale esté cubierto y la calidad importe.

Precios

Google TTS Neural2 Google TTS Standard Δ
Por 1M de caracteres $16 $4 4×

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 Neural2 Google TTS Standard
Streaming no no
SSML supported supported
Unidad de facturación character character

Especificaciones

Google TTS Neural2 Google TTS Standard
Modalidades de entrada texto texto
Modalidades de salida audio audio
Lanzamiento 2022-06-27 2018-03-27
Límite por solicitud 5000 bytes 5000 bytes
Voces 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.

Los ids de voz siguen un patrón de configuración regional más letra (en-US-Standard-A, cmn-CN-Standard-A). La tabla comparativa de Google presenta Standard como eficiente en coste, disponible con carácter general, controlable mediante SSML y sin capacidad de streaming

la documentación atribuye las voces a una síntesis de voz paramétrica pasada por vocoders.

Idiomas 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. La mayor amplitud de configuraciones regionales de cualquier tipo de voz de Cloud TTS. Hay ids de voz Standard publicados para 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 y yue-HK.
Control de voz
  • 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
  • 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. 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.

Límite de contenido de 5000 bytes totales por solicitud de síntesis (en algunas configuraciones regionales un solo carácter ocupa varios bytes). Salida LINEAR16 (devuelta 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

Long Audio Synthesis (Preview) cubre de forma asíncrona hasta 1 millón de bytes de entrada. Facturado por carácter, incluidos los espacios y los saltos de línea, y todas las etiquetas SSML salvo <mark> cuentan

en Standard y WaveNet un carácter multibyte se cobra una sola vez.

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 Neural2 · Google TTS Standard

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

Google TTS Standard es más barato en Por 1M de caracteres ($4 frente a $16, una diferencia de 4.0×). 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 Neural2 frente a Google TTS Standard 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