Google TTS Chirp 3 HD vs BytePlus Seed TTS 2.0

vs

どんなときに、どちらを選ぶか

カタログ上の事実として、これら2つは互換性があります。google-tts-chirp3-hdとseed-tts-2.0はどちらも入力トークン100万あたり$30を請求し、4096トークンのコンテキストウィンドウを持ち、同じspeech機能の下でテキストを入力として音声を出力します。料金、コンテキスト、またはモダリティの違いによるトレードオフがないため、選択はベンダーの好み(google-tts-chirp3-hdならGoogle、seed-tts-2.0ならByteDance)と、A/Bテストでリスナーが実際に好む音声出力がどちらになるかに絞られます。予算とプロンプト長の計画は、どちらでも同一にできます。

料金

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0 Δ
100 万文字あたり $30 $30 =

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 BytePlus Seed TTS 2.0
ストリーミング あり あり
SSML preview unsupported
課金単位 character character

仕様

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0
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 2025-10-16
リクエストあたりの上限 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。 TTS 2.0 のボイスは *_uranus_bigtts の speaker ID を持ち、Voice List ページでシナリオ別(General, Entertainment, Education, Dubbing, AudioBook, RolePlay, CustomerService)に掲載されています。ボイスごとの感情は audio_params.emotion で指定し、emotion_scale は 1 から 5(デフォルト 4)、speech_rate と loudness_rate は [-50, 100]、post_process.pitch は [-12, 12] の範囲です。
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。 英語、中国語、日本語、ドイツ語、フランス語、メキシコスペイン語、インドネシア語、ブラジルポルトガル語、イタリア語、韓国語
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
context_texts と section_id は TTS 2.0 専用です。平易な言葉での指示により速度・感情・音量・スタイルを制御し(効果があるのはリストの最初の値のみで、そのテキストは課金されません)、section_id は過去の合成を最大 30 ラウンドまたは 10 分ぶん、履歴コンテキストとして紐づけます。
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。 連携は単方向ストリーミング HTTP、単方向または双方向ストリーミング WebSocket、オンライン SDK 経由。サンプリングレートは単方向ストリーミングおよび非ストリーミングのインターフェースで 24K/16K/8K、双方向インターフェースで 48K/24K/16K/8K。出力は PCM、OGG_OPUS、MP3(WAV も受け付けますが、ストリーミング時は複数のヘッダーが返ります)。SSML は非対応。

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 · BytePlus Seed TTS 2.0

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="seed-tts-2.0",  # 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 BytePlus Seed TTS 2.0 ではどちらが安いですか?

どちらも「100 万文字あたり」は $30 です。他の単価や使用量によって合計費用は変わります。

Google TTS Chirp 3 HD と BytePlus Seed TTS 2.0 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