Google TTS Chirp 3 HD vs Google TTS Neural2

vs

Qual usar e quando

O google-tts-neural2 é 1.9x mais barato ($16 por milhão de caracteres contra $30) e suporta SSML plenamente, onde o google-tts-chirp3-hd o lista como prévia - mas o neural2 não faz streaming e publica uma lista de locais bem mais curta, 17 locais com ids de voz nomeados. Ambos aceitam 5000 bytes por requisição e expõem parâmetros numéricos de voz. Escolha o google-tts-neural2 para trabalho em lote guiado por SSML num local coberto, o google-tts-chirp3-hd para streaming e amplitude de locais.

Preços

Google TTS Chirp 3 HD Google TTS Neural2 Δ
Por 1M caracteres $30 $16 1.9×

Tarifas do catálogo em tempo real, lidas no momento do build; a página de cada modelo traz a tabela de preços atual.

Onde cada um fica: preço por 1M caracteres entre os 7 modelos de síntese de voz com esta unidade de cobrança (escala logarítmica)

Capacidades

Google TTS Chirp 3 HD Google TTS Neural2
Streaming sim não
SSML preview supported
Unidade de cobrança character character

Especificações

Google TTS Chirp 3 HD Google TTS Neural2
Modalidades de entrada texto texto
Modalidades de saída áudio áudio
Lançamento 2025-03 2022-06-27
Limite por requisição 5000 bytes 5000 bytes
Vozes As vozes recebem nomes de estrelas e são publicadas com um gênero: 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. Um prefixo de locale forma o id, por exemplo en-US-Chirp3-HD-Charon. O Google descreve o conjunto como 30 estilos distintos em muitos idiomas. Os ids de voz seguem o padrão de locale mais letra (en-US-Neural2-F, ja-JP-Neural2-B). A tabela comparativa do Google lista o Neural2 como de propósito geral, em disponibilidade geral, controlável via SSML e sem capacidade de streaming, e a documentação afirma que as vozes são baseadas na mesma tecnologia usada para criar uma Custom Voice, permitindo que qualquer um use a tecnologia de Custom Voice sem treinar a sua própria.
Idiomas 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. Uma lista de locales bem mais curta que a do Standard. Ids de voz Neural2 são publicados para 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 e vi-VN. O Google observa que as vozes Neural2 estão disponíveis em endpoints globais e de região única.
Controle de voz
  • Os controles de voz são Preview: ritmo via speaking_rate de 0.25 a 2.0
  • tags de pausa [pause short], [pause long] e [pause] aceitas apenas no campo de entrada markup, nunca em text, e o modelo pode desconsiderar tags colocadas de forma não natural
  • pronúncias customizadas em IPA ou X-SAMPA
  • o suporte a SSML é Preview e apenas síncrono, não suportado em requisições de streaming, com as tags não listadas ignoradas e say-as interpret-as=expletive ou bleep não suportados
  • Controles de AudioConfig: speakingRate de 0.25 a 2.0 (1.0 nativo)
  • pitch de -20.0 a 20.0 semitons
  • volumeGainDb de -96.0 a 16.0
  • perfis de dispositivo effectsProfileId para wearable, aparelho telefônico, fone de ouvido, caixa de som Bluetooth pequena e média, grande sistema de home entertainment, áudio automotivo de grande porte e reprodução em telefonia
  • as tags SSML incluem speak, break, say-as, sub, mark, prosody, emphasis, phoneme, voice e lang
Limites

Limite de conteúdo de 5.000 bytes no total por requisição de síntese. Formato de resposta padrão LINEAR16

o streaming suporta ALAW, MULAW, OGG_OPUS e PCM, e o modo em lote acrescenta MP3, de modo que MP3 não está disponível no caminho de streaming. É o único tipo de voz que a tabela comparativa do Google marca como capaz de streaming. Em disponibilidade geral nos endpoints global, us e eu, além de asia-southeast1, europe-west2 e asia-northeast1, mas fora do escopo de regionalização e residência de dados. Cobrado por caractere, incluindo espaços e quebras de linha, com todas as tags SSML exceto <mark> contadas.

Limite de conteúdo de 5.000 bytes no total por requisição de síntese. Saída LINEAR16 (com cabeçalho WAV), MP3 a 32 kbps, OGG_OPUS ou G.711 MULAW e ALAW

o sampleRateHertz opcional faz reamostragem e falha a requisição se a taxa não for suportada pela codificação. Não é oferecido na síntese em streaming. Cobrado por caractere, incluindo espaços e quebras de linha, com todas as tags SSML exceto <mark> contadas

a observação de que o caractere multibyte conta uma única vez vale apenas para Standard e WaveNet.

As especificações são transcritas da documentação de cada provedor; quando um provedor não publica um dado, a linha é omitida, e não inferida. Fontes completas: Google TTS Chirp 3 HD · Google TTS Neural2

Troque de um para o outro mudando uma linha

Os dois ids estão em todas as abas abaixo; o par de linhas destacado é a única alteração. O endpoint, a chave e o formato da requisição são os mesmos.

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",  # descomente esta linha, comente a linha acima
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

Obtenha sua chave de API →

Perguntas frequentes

Qual é mais barato, Google TTS Chirp 3 HD ou Google TTS Neural2?

Google TTS Neural2 sai mais barato na linha “Por 1M caracteres” ($16 contra $30, 1.9× de diferença). Outras linhas podem pender para o outro lado: a tabela acima mostra todos os preços, e o custo real depende do seu mix de uso.

Posso fazer um teste A/B de Google TTS Chirp 3 HD contra Google TTS Neural2 sem duas integrações?

Sim. Os dois são servidos pelo mesmo endpoint compatível com OpenAI, com uma única chave de API. Para trocar, basta mudar uma linha, a string do modelo; assim você pode direcionar uma parte do tráfego para cada um e comparar as contas diretamente.

Como o text-to-speech é cobrado?

Por caractere do texto de entrada, com um limite de caracteres por requisição indicado na tabela de especificações. Nos dois modelos, textos longos precisam ser divididos em várias requisições.

Comparações relacionadas

Dos nossos estudos com medições