Google TTS Chirp 3 HD vs TTS-1 HD

vs

どんなときに、どちらを選ぶか

どちらも 100万文字あたり $30 で、どちらもストリーミングできるので、分かれ目は制御と長さです。google-tts-chirp3-hd は 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、SSML はプレビュー。tts-1-hd は 4096 文字で、音声制御はまったくありません。どちらも対応言語は広いものの、tts-1-hd の一覧は列挙されたロケールではなく Whisper の言語セットに沿います。話し方を作り込むなら google-tts-chirp3-hd、既定の声で足りるなら tts-1-hd を選んでください。

料金

Google TTS Chirp 3 HD TTS-1 HD 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 TTS-1 HD
ストリーミング あり あり
SSML preview undocumented
課金単位 character character

仕様

Google TTS Chirp 3 HD TTS-1 HD
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 2023-11-06
リクエストあたりの上限 5000 bytes 4096 characters
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。 alloy, ash, coral, echo, fable, onyx, nova, sage, shimmer。全 13 種類の TTS ボイスリストより少ないセットで、ボイスは現在英語向けに最適化されています。
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。 おおむね Whisper モデルの言語対応に準じます:アフリカーンス語、アラビア語、アルメニア語、アゼルバイジャン語、ベラルーシ語、ボスニア語、ブルガリア語、カタルーニャ語、中国語、クロアチア語、チェコ語、デンマーク語、オランダ語、英語、エストニア語、フィンランド語、フランス語、ガリシア語、ドイツ語、ギリシャ語、ヘブライ語、ヒンディー語、ハンガリー語、アイスランド語、インドネシア語、イタリア語、日本語、カンナダ語、カザフ語、韓国語、ラトビア語、リトアニア語、マケドニア語、マレー語、マラーティー語、マオリ語、ネパール語、ノルウェー語、ペルシア語、ポーランド語、ポルトガル語、ルーマニア語、ロシア語、セルビア語、スロバキア語、スロベニア語、スペイン語、スワヒリ語、スウェーデン語、タガログ語、タミル語、タイ語、トルコ語、ウクライナ語、ウルドゥー語、ベトナム語、ウェールズ語。ただしボイスは英語向けに最適化されています
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
none
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。 音声生成エンドポイント(v1/audio/speech)のみで、Chat Completions、Responses、Realtime、Batch、ファインチューニングはいずれも非対応と記載されています。入力テキストは 4096 文字まで。出力は mp3(デフォルト)、opus、aac、flac、wav、pcm(生の 24 kHz 16-bit 符号付きリトルエンディアンのサンプル)。チャンク転送エンコーディングによるリアルタイム再生に対応。

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 · TTS-1 HD

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="tts-1-hd",  # 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 TTS-1 HD 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 TTS-1 HD 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