Google TTS Chirp 3 HD vs BytePlus Seed TTS 2.0

vs

Qual usar e quando

Nos fatos do catálogo, esses dois são intercambiáveis: google-tts-chirp3-hd e seed-tts-2.0 ambos cobram $30 por milhão de tokens de entrada, ambos possuem uma janela de contexto de 4096 tokens, e ambos aceitam entrada de texto e retornam áudio sob a mesma capacidade de fala. Sem nenhuma diferença de tarifa, contexto ou modalidade para compensar, a escolha se resume à preferência do fornecedor - Google para google-tts-chirp3-hd, ByteDance para seed-tts-2.0 - e a qualquer saída de voz que seus ouvintes realmente preferirem em um teste A/B. O planejamento de orçamento e tamanho do prompt pode ser idêntico para qualquer um dos dois.

Preços

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0 Δ
Por 1M caracteres $30 $30 =

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 BytePlus Seed TTS 2.0
Streaming sim sim
SSML preview unsupported
Unidade de cobrança character character

Especificações

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0
Modalidades de entrada texto texto
Modalidades de saída áudio áudio
Lançamento 2025-03 2025-10-16
Limite por requisição 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.

As vozes do TTS 2.0 carregam speaker IDs *_uranus_bigtts e são listadas por cenário (General, Entertainment, Education, Dubbing, AudioBook, RolePlay, CustomerService) na página Voice List

emoção por voz via audio_params.emotion com emotion_scale de 1 a 5 (padrão 4), speech_rate e loudness_rate em [-50, 100] e post_process.pitch em [-12, 12].

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. Inglês, chinês, japonês, alemão, francês, espanhol mexicano, indonésio bahasa, português brasileiro, italiano e coreano
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
context_texts e section_id são exclusivos do TTS 2.0: uma instrução em linguagem simples orienta ritmo, emoção, volume e estilo (apenas o primeiro valor da lista tem efeito, e seu texto não é cobrado), e section_id vincula até 30 rodadas ou 10 minutos de síntese anterior como contexto histórico.
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.

Integração por HTTP com streaming unidirecional, WebSocket com streaming uni ou bidirecional e SDK online

taxa de amostragem 24K/16K/8K nas interfaces de streaming unidirecional e sem streaming, 48K/24K/16K/8K na interface bidirecional

saída PCM, OGG_OPUS ou MP3 (WAV é aceito, mas retorna múltiplos cabeçalhos em streaming)

SSML não é suportado

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 · BytePlus Seed TTS 2.0

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="seed-tts-2.0",  # 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 BytePlus Seed TTS 2.0?

Os dois cobram $30 em “Por 1M caracteres”. As outras tarifas e as quantidades usadas podem alterar o custo total.

Posso fazer um teste A/B de Google TTS Chirp 3 HD contra BytePlus Seed TTS 2.0 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