Google TTS Neural2 vs Google TTS Standard

vs

どんなときに、どちらを選ぶか

google-tts-standard は 4 分の 1 の 100万文字あたり $4 対 $16 で、この系列で最も広いロケール範囲を持ちます。neural2 は品質の高い合成ですが、ロケールは 17 とはるかに短い一覧です。どちらもストリーミングせず、1 リクエスト 5000 バイトを受け付け、SSML と数値パラメータによる音声制御に対応します。さらに standard はマルチバイト文字を 1 文字として数えるので、CJK の原稿では効いてきます。到達範囲とコストなら standard、対象ロケールが揃っていて品質が要るなら neural2 を選んでください。

料金

Google TTS Neural2 Google TTS Standard Δ
100 万文字あたり $16 $4 4×

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 Neural2 Google TTS Standard
ストリーミング なし なし
SSML supported supported
課金単位 character character

仕様

Google TTS Neural2 Google TTS Standard
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 2022-06-27 2018-03-27
リクエストあたりの上限 5000 bytes 5000 bytes
ボイス 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。 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-Standard-A、cmn-CN-Standard-A)。Google の比較表は Standard を、コスト効率が高く、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います。ドキュメントはこれらのボイスを、ボコーダーを通したパラメトリック音声合成によるものとしています。
言語 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。 Cloud TTS のどのボイスタイプよりも広いロケール範囲。Standard のボイス id は af-ZA、ar-XA、bg-BG、bn-IN、ca-ES、cmn-CN、cmn-TW、cs-CZ、da-DK、de-DE、el-GR、en-AU、en-GB、en-IN、en-US、es-ES、es-US、et-EE、eu-ES、fi-FI、fil-PH、fr-CA、fr-FR、gl-ES、gu-IN、he-IL、hi-IN、hu-HU、id-ID、is-IS、it-IT、ja-JP、kn-IN、ko-KR、lt-LT、lv-LV、ml-IN、mr-IN、ms-MY、nb-NO、nl-BE、nl-NL、pa-IN、pl-PL、pt-BR、pt-PT、ro-RO、ru-RU、sk-SK、sr-RS、sv-SE、ta-IN、te-IN、th-TH、tr-TR、uk-UA、ur-IN、vi-VN、yue-HK 向けに公開されています。
ボイス調整
  • 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
  • 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。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。 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(一部のロケールでは 1 文字が複数バイトになります)。出力は LINEAR16(WAV ヘッダー付きで返却)、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。Long Audio Synthesis(プレビュー)は最大 100 万バイトの入力を非同期でカバーします。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。Standard と WaveNet ではマルチバイト文字は 1 回だけ課金されます。

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 Neural2 · Google TTS Standard

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-neural2",
    # model="google-tts-standard",  # 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 Neural2 と Google TTS Standard ではどちらが安いですか?

100 万文字あたりは Google TTS Standard のほうが安くなります($4 対 $16、4.0 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 Neural2 と Google TTS Standard 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