Google TTS Chirp 3 HD vs Google TTS Neural2

vs

Lequel choisir, et quand

google-tts-neural2 revient 1.9x moins cher ($16 par million de caractères contre $30) et prend en charge SSML de plein droit, là où google-tts-chirp3-hd le liste en préversion - mais neural2 ne diffuse pas et publie une liste de locales bien plus courte, 17 locales avec des identifiants de voix nommés. Les deux acceptent 5000 octets par requête et exposent des paramètres numériques de voix. Prenez google-tts-neural2 pour du traitement par lots piloté par SSML dans une locale couverte, google-tts-chirp3-hd pour le streaming et l'étendue des locales.

Tarifs

Google TTS Chirp 3 HD Google TTS Neural2 Δ
Par 1M de caractères $30 $16 1.9×

Tarifs relevés dans le catalogue en direct à la génération du site ; la page de chaque modèle affiche la grille tarifaire à jour.

Leur position : prix pour 1M de caractères, parmi les 7 modèles de synthèse vocale facturés dans cette unité (échelle logarithmique)

Capacités

Google TTS Chirp 3 HD Google TTS Neural2
Streaming oui non
SSML preview supported
Unité de facturation character character

Spécifications

Google TTS Chirp 3 HD Google TTS Neural2
Modalités d'entrée texte texte
Modalités de sortie audio audio
Date de sortie 2025-03 2022-06-27
Limite par requête 5000 bytes 5000 bytes
Voix Les voix portent des noms d'étoiles et sont publiées avec un genre: 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 et Zubenelgenubi. Un préfixe de locale forme l'identifiant, par ex. en-US-Chirp3-HD-Charon. Google décrit l'ensemble comme 30 styles distincts dans de nombreuses langues. Les identifiants de voix suivent le motif locale-plus-lettre (en-US-Neural2-F, ja-JP-Neural2-B). Le tableau comparatif de Google présente Neural2 comme généraliste, en disponibilité générale, pilotable via SSML et non compatible avec le streaming, et la documentation indique que les voix reposent sur la même technologie que celle utilisée pour créer une Custom Voice, ce qui permet à chacun d'utiliser la technologie Custom Voice sans entraîner la sienne.
Langues 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 et vi-VN. Une liste de locales bien plus courte que celle de Standard. Des identifiants de voix Neural2 sont publiés pour 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 et vi-VN. Google précise que les voix Neural2 sont disponibles sur les endpoints globaux et mono-région.
Contrôle de la voix
  • Les contrôles de voix sont en préversion: le rythme via speaking_rate de 0.25 à 2.0
  • les balises de pause [pause short], [pause long] et [pause] ne sont acceptées que dans le champ d'entrée markup, jamais dans text, et le modèle peut ignorer les balises placées de façon peu naturelle
  • prononciations personnalisées en IPA ou X-SAMPA
  • la prise en charge de SSML est en préversion et synchrone uniquement, non prise en charge pour les requêtes en streaming, les balises non répertoriées étant ignorées et say-as interpret-as=expletive ou bleep n'étant pas pris en charge
  • Contrôles AudioConfig: speakingRate de 0.25 à 2.0 (1.0 en natif)
  • pitch de -20.0 à 20.0 demi-tons
  • volumeGainDb de -96.0 à 16.0
  • profils d'appareil effectsProfileId pour objet connecté, téléphone, casque, enceinte Bluetooth petite et moyenne, grand système home cinéma, grand système automobile et restitution téléphonique
  • les balises SSML comprennent speak, break, say-as, sub, mark, prosody, emphasis, phoneme, voice et lang
Limites

Limite de contenu de 5 000 octets au total par requête de synthèse. Format de réponse par défaut LINEAR16

le streaming prend en charge ALAW, MULAW, OGG_OPUS et PCM, le mode par lots ajoute MP3, si bien que MP3 n'est pas disponible sur la voie streaming. Seul type de voix que le tableau comparatif de Google marque comme compatible avec le streaming. En disponibilité générale sur les endpoints global, us et eu ainsi que sur asia-southeast1, europe-west2 et asia-northeast1, mais hors du périmètre de régionalisation et de résidence des données. Facturé au caractère, espaces et sauts de ligne compris, toutes les balises SSML sauf <mark> étant comptées.

Limite de contenu de 5 000 octets au total par requête de synthèse. Sortie en LINEAR16 (avec un en-tête WAV), MP3 à 32 kbps, OGG_OPUS, ou G.711 MULAW et ALAW

le paramètre optionnel sampleRateHertz rééchantillonne et fait échouer la requête si la fréquence n'est pas prise en charge pour l'encodage. Non proposé en synthèse par streaming. Facturé au caractère, espaces et sauts de ligne compris, toutes les balises SSML sauf <mark> étant comptées

la note sur le caractère multi-octets facturé une seule fois ne vaut que pour Standard et WaveNet.

Les spécifications sont reprises de la documentation de chaque fournisseur ; quand un fournisseur ne publie pas une valeur, la ligne est omise et non déduite. Sources complètes : Google TTS Chirp 3 HD · Google TTS Neural2

Passez de l'un à l'autre en changeant une seule ligne

Les deux identifiants figurent dans chaque onglet ci-dessous : les deux lignes surlignées sont le seul changement. Même endpoint, même clé, même format de requête.

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",  # décommentez cette ligne, commentez celle du dessus
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

Obtenez votre clé API →

FAQ

Lequel est le moins cher, Google TTS Chirp 3 HD ou Google TTS Neural2 ?

Google TTS Neural2 est moins cher sur la ligne « Par 1M de caractères » ($16 contre $30, soit un écart de 1.9×). D'autres lignes peuvent dire l'inverse : le tableau ci-dessus donne la grille tarifaire complète, et le coût réel dépend de la composition de votre trafic.

Puis-je faire un test A/B entre Google TTS Chirp 3 HD et Google TTS Neural2 sans deux intégrations ?

Oui. Les deux passent par le même endpoint compatible OpenAI, avec une seule clé API. Pour passer de l'un à l'autre, il suffit de changer l'identifiant du modèle, soit une ligne : vous pouvez donc envoyer une part du trafic à chacun et comparer directement les factures.

Comment la synthèse vocale est-elle facturée ?

Au caractère de texte en entrée, avec un plafond de caractères par requête indiqué dans le tableau des spécifications. Avec l'un comme avec l'autre, un texte long doit être découpé en plusieurs requêtes.

Comparatifs associés

Nos études, mesures à l'appui