Google TTS Chirp 3 HD vs Google TTS Neural2
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 |
|
|
| 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)import OpenAI from "openai";
import fs from "node:fs";
const client = new OpenAI({
baseURL: "https://synthorai.io/v1",
apiKey: "sk-syn-...",
});
const resp = await client.audio.transcriptions.create({
model: "google-tts-chirp3-hd",
// model: "google-tts-neural2", // descomente esta linha, comente a linha acima
file: fs.createReadStream("meeting.mp3"),
});
console.log(resp.text);curl https://synthorai.io/v1/audio/transcriptions \
-H "Authorization: Bearer sk-syn-..." \
-F model="google-tts-chirp3-hd" \
# -F model="google-tts-neural2" \ # descomente esta linha, comente a linha acima
-F file=@meeting.mp3package main
import (
"context"
"fmt"
"os"
"github.com/openai/openai-go/v3"
"github.com/openai/openai-go/v3/option"
)
func main() {
client := openai.NewClient(
option.WithBaseURL("https://synthorai.io/v1"),
option.WithAPIKey("sk-syn-..."),
)
f, _ := os.Open("meeting.mp3")
resp, _ := client.Audio.Transcriptions.New(context.TODO(), openai.AudioTranscriptionNewParams{
Model: "google-tts-chirp3-hd",
// Model: "google-tts-neural2", // descomente esta linha, comente a linha acima
File: f,
})
fmt.Println(resp.Text)
}import com.openai.client.OpenAIClient;
import com.openai.client.okhttp.OpenAIOkHttpClient;
import com.openai.models.audio.transcriptions.*;
import java.nio.file.Paths;
OpenAIClient client = OpenAIOkHttpClient.builder()
.baseUrl("https://synthorai.io/v1")
.apiKey("sk-syn-...")
.build();
Transcription resp = client.audio().transcriptions().create(
TranscriptionCreateParams.builder()
.model("google-tts-chirp3-hd")
// .model("google-tts-neural2") // descomente esta linha, comente a linha acima
.file(Paths.get("meeting.mp3"))
.build()).asTranscription();
System.out.println(resp.text());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.