Google TTS Chirp 3 HD vs Google TTS Neural2

vs

どんなときに、どちらを選ぶか

google-tts-neural2 は 1.9 分の 1(100万文字あたり $16 対 $30)で SSML を正式にサポートします。google-tts-chirp3-hd は SSML をプレビュー扱いです。ただし neural2 はストリーミングできず、公開ロケールもはるかに短く、名前付き音声 id を持つのは 17 ロケールです。どちらも 1 リクエスト 5000 バイトを受け付け、数値パラメータによる音声制御を備えます。対応ロケール内で SSML 主導のバッチ処理なら google-tts-neural2、ストリーミングとロケールの広さなら google-tts-chirp3-hd を選んでください。

料金

Google TTS Chirp 3 HD Google TTS Neural2 Δ
100 万文字あたり $30 $16 1.9×

ビルド時点の現行カタログの料金です。最新の料金表は各モデルのページに掲載しています。

両モデルの位置:100 万文字あたりの料金(この課金単位の音声合成モデル全 7 件、対数スケール)

対応機能

Google TTS Chirp 3 HD Google TTS Neural2
ストリーミング あり なし
SSML preview supported
課金単位 character character

仕様

Google TTS Chirp 3 HD Google TTS Neural2
入力モダリティ テキスト テキスト
出力モダリティ 音声 音声
リリース 2025-03 2022-06-27
リクエストあたりの上限 5000 bytes 5000 bytes
ボイス ボイスは星にちなんで命名され、性別とともに公開されています: 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、Zubenelgenubi。ロケールのプレフィックスが id を形成します(例: en-US-Chirp3-HD-Charon)。Google はこのセットを、多くの言語にわたる 30 種類の異なるスタイルと説明しています。 ボイス id はロケールと文字を組み合わせたパターンに従います(en-US-Neural2-F、ja-JP-Neural2-B)。Google の比較表は Neural2 を、汎用で、一般提供され、SSML で制御可能で、ストリーミングには非対応と掲載しており、ドキュメントはこれらのボイスが Custom Voice を作成するのに使われるのと同じ技術に基づいていると述べています。これにより、誰もが自分専用のものを学習させることなく Custom Voice の技術を使えます。
言語 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、vi-VN。 Standard よりもずっと短いロケールリスト。Neural2 のボイス id は 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、vi-VN 向けに公開されています。Google は Neural2 のボイスがグローバルエンドポイントと単一リージョンエンドポイントで利用できると注記しています。
ボイス調整
  • ボイス制御はプレビューです: 話速は speaking_rate の 0.25 から 2.0
  • ポーズタグ [pause short]、[pause long]、[pause] は markup 入力フィールドでのみ受け付けられ、text では決して受け付けられず、不自然な位置に置かれたタグはモデルが無視する場合があります
  • カスタム発音は IPA または X-SAMPA
  • SSML 対応はプレビューかつ同期専用で、ストリーミングリクエストでは非対応、掲載のないタグは無視され、say-as の interpret-as=expletive と bleep は非対応です
  • AudioConfig の制御: speakingRate は 0.25 から 2.0(1.0 がネイティブ)
  • pitch は -20.0 から 20.0 半音
  • volumeGainDb は -96.0 から 16.0
  • effectsProfileId はウェアラブル、ハンドセット、ヘッドホン、小型および中型 Bluetooth スピーカー、大型ホームエンターテインメント、大型車載、電話回線再生向けのデバイスプロファイル
  • SSML タグには speak、break、say-as、sub、mark、prosody、emphasis、phoneme、voice、lang が含まれます
制限 synthesize リクエスト 1 件あたり合計 5,000 バイトのコンテンツ上限。既定のレスポンス形式は LINEAR16。ストリーミングは ALAW、MULAW、OGG_OPUS、PCM に対応し、バッチではさらに MP3 が加わるため、MP3 はストリーミング経路では利用できません。Google の比較表がストリーミング対応と記している唯一のボイスタイプです。global、us、eu の各エンドポイントに加え asia-southeast1、europe-west2、asia-northeast1 で一般提供されていますが、リージョン化とデータレジデンシーの対象範囲外です。課金はスペースと改行を含む文字単位で、<mark> を除くすべての SSML タグが数えられます。 synthesize リクエスト 1 件あたり合計 5,000 バイトのコンテンツ上限。出力は LINEAR16(WAV ヘッダー付き)、32 kbps の MP3、OGG_OPUS、または G.711 の MULAW と ALAW。任意の sampleRateHertz はリサンプリングを行い、そのエンコーディングでレートが非対応の場合はリクエストが失敗します。ストリーミング合成では提供されません。課金はスペースと改行を含む文字単位で、<mark> を除くすべての SSML タグが数えられます。マルチバイト文字が 1 回だけ数えられるという注記は Standard と WaveNet にのみ適用されます。

仕様は各ベンダーのドキュメントから転記しています。ベンダーが公表していない項目は、推測で埋めずに省いています。 出典の一覧: Google TTS Chirp 3 HD · Google TTS Neural2

1 行の変更で切り替え

以下のどのタブにも両方のモデル ID が入っています。書き換えるのはハイライトされた 2 行だけで、エンドポイント、キー、リクエスト形式はすべて同じです。

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",  # この行のコメントを外し、上の行をコメントアウト
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

API キーを取得 →

よくある質問

Google TTS Chirp 3 HD と Google TTS Neural2 ではどちらが安いですか?

100 万文字あたりは Google TTS Neural2 のほうが安くなります($16 対 $30、1.9 倍の差)。ほかの行では逆になることもあります。料金の全体は上の表に掲載しており、実際のコストは利用の内訳によって変わります。

Google TTS Chirp 3 HD と Google TTS Neural2 の A/B テストは、実装を 2 つ用意せずにできますか?

はい。どちらも同じ OpenAI 互換エンドポイントから 1 つの API キーで利用できます。切り替えはモデル名の文字列を 1 行変えるだけなので、トラフィックの一部をそれぞれに振り分けて、請求額を直接比較できます。

音声合成(Text-to-Speech)の課金方法は?

入力テキストの文字数に応じて課金されます。1 リクエストあたりの文字数上限は仕様表に掲載しています。どちらのモデルでも、長い原稿は複数のリクエストに分けて送る必要があります。

関連する比較

当社の実測レポートより