Google TTS Chirp 3 HD vs BytePlus Seed TTS 2.0

vs

Quale scegliere e quando

In base ai dati di catalogo questi due sono intercambiabili: google-tts-chirp3-hd e seed-tts-2.0 fatturano entrambi $30 per milione di token di input, offrono entrambi una finestra di contesto di 4096 token, e accettano entrambi testo in input restituendo audio con la stessa funzionalità vocale. Senza alcun divario di tariffa, contesto o modalità su cui scendere a compromessi, la scelta si riduce alla preferenza del fornitore - Google per google-tts-chirp3-hd, ByteDance per seed-tts-2.0 - e a quale output vocale preferiscono effettivamente i tuoi ascoltatori in un test A/B. La pianificazione del budget e della lunghezza del prompt può essere identica per entrambi.

Prezzi

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0 Δ
Per 1M caratteri $30 $30 =

Tariffe lette dal catalogo live al momento della build; il listino aggiornato è sulla pagina di ciascun modello.

Dove si collocano: prezzo per 1M di caratteri tra tutti i modelli di sintesi vocale con questa unità di fatturazione (7, scala logaritmica)

Funzionalità

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0
Streaming sì sì
SSML preview unsupported
Unità di fatturazione character character

Specifiche

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0
Modalità di input testo testo
Modalità di output audio audio
Rilascio 2025-03 2025-10-16
Limite per richiesta 5000 bytes -
Voci Le voci prendono il nome da stelle e sono pubblicate con un genere: 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 e Zubenelgenubi. Un prefisso di locale forma l'id, ad es. en-US-Chirp3-HD-Charon. Google descrive l'insieme come 30 stili distinti in molte lingue.

Le voci TTS 2.0 hanno speaker ID *_uranus_bigtts e sono elencate per scenario (General, Entertainment, Education, Dubbing, AudioBook, RolePlay, CustomerService) nella pagina Voice List

emozione per singola voce tramite audio_params.emotion con emotion_scale da 1 a 5 (predefinito 4), speech_rate e loudness_rate in [-50, 100] e post_process.pitch in [-12, 12].

Lingue 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 e vi-VN. Inglese, cinese, giapponese, tedesco, francese, spagnolo messicano, bahasa indonesiano, portoghese brasiliano, italiano e coreano
Controllo della voce
  • I controlli vocali sono in Preview: il ritmo tramite speaking_rate da 0.25 a 2.0
  • i tag di pausa [pause short], [pause long] e [pause] sono accettati solo nel campo di input markup, mai in text, e il modello può ignorare i tag collocati in modo innaturale
  • pronunce personalizzate in IPA o X-SAMPA
  • il supporto SSML è in Preview e solo sincrono, non supportato per le richieste in streaming, con i tag non elencati ignorati e say-as interpret-as=expletive o bleep non supportati
context_texts e section_id sono esclusivi di TTS 2.0: un'istruzione in linguaggio naturale governa velocità, emozione, volume e stile (ha effetto solo il primo valore dell'elenco, e il suo testo non viene fatturato), e section_id collega fino a 30 round o 10 minuti di sintesi precedente come contesto storico.
Limiti

Limite di contenuto di 5.000 byte totali per richiesta di sintesi. Formato di risposta predefinito LINEAR16

lo streaming supporta ALAW, MULAW, OGG_OPUS e PCM, il batch aggiunge MP3, quindi MP3 non è disponibile sul percorso in streaming. È l'unico tipo di voce che la tabella comparativa di Google segna come capace di streaming. In disponibilità generale sugli endpoint global, us ed eu oltre che su asia-southeast1, europe-west2 e asia-northeast1, ma fuori dallo scope della regionalizzazione e della residenza dei dati. Fatturato per carattere inclusi spazi e a capo, con tutti i tag SSML tranne <mark> conteggiati.

Integrazione tramite HTTP in streaming unidirezionale, WebSocket in streaming uni- o bidirezionale e SDK online

frequenza di campionamento 24K/16K/8K sulle interfacce in streaming unidirezionale e non in streaming, 48K/24K/16K/8K sull'interfaccia bidirezionale

output PCM, OGG_OPUS o MP3 (il WAV è accettato ma in streaming restituisce header multipli)

l'SSML non è supportato

Le specifiche sono riprese dalla documentazione di ciascun provider; se un provider non pubblica un dato, la riga viene omessa e non dedotta. Fonti complete: Google TTS Chirp 3 HD · BytePlus Seed TTS 2.0

Passa dall'uno all'altro cambiando una sola riga

In ogni scheda qui sotto ci sono entrambi gli id: le due righe evidenziate sono l'unica modifica. Stesso endpoint, stessa chiave, stessa struttura della richiesta.

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",  # decommenta questa riga, commenta quella sopra
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

Ottieni la tua chiave API →

FAQ

Qual è il più economico, Google TTS Chirp 3 HD o BytePlus Seed TTS 2.0?

Entrambi applicano $30 a «Per 1M caratteri». Le altre tariffe e le quantità usate possono cambiare il costo totale.

Posso fare un A/B test di Google TTS Chirp 3 HD contro BytePlus Seed TTS 2.0 senza due integrazioni?

Sì. Si chiamano entrambi dallo stesso endpoint compatibile con OpenAI, con una sola chiave API. Per passare dall'uno all'altro basta cambiare la stringa del modello in una riga, quindi puoi mandare una parte del traffico a ciascuno e confrontare direttamente i costi.

Come viene fatturata la sintesi vocale?

Per carattere del testo di input, con un tetto massimo di caratteri per richiesta indicato nella tabella delle specifiche. Con entrambi i modelli i testi lunghi vanno suddivisi su più richieste.

Confronti correlati

Dai nostri studi con dati misurati