Google TTS Chirp 3 HD vs TTS-1 HD

vs

Qual usar e quando

Os dois cobram $30 por milhão de caracteres e os dois fazem streaming, então a diferença está no controle e no comprimento: o google-tts-chirp3-hd admite 5000 bytes por requisição, expõe parâmetros numéricos de voz e lista SSML em prévia, enquanto o tts-1-hd admite 4096 caracteres e não oferece controle de voz algum. A cobertura é ampla nos dois, embora a lista do tts-1-hd siga o conjunto de idiomas do Whisper em vez de uma lista enumerada de locais. Escolha o google-tts-chirp3-hd quando precisar moldar a entrega, o tts-1-hd quando a voz padrão bastar.

Preços

Google TTS Chirp 3 HD TTS-1 HD 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 TTS-1 HD
Streaming sim sim
SSML preview undocumented
Unidade de cobrança character character

Especificações

Google TTS Chirp 3 HD TTS-1 HD
Modalidades de entrada texto texto
Modalidades de saída áudio áudio
Lançamento 2025-03 2023-11-06
Limite por requisição 5000 bytes 4096 characters
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. alloy, ash, coral, echo, fable, onyx, nova, sage e shimmer, um conjunto menor que a lista completa de 13 vozes de TTS, e as vozes estão atualmente otimizadas para inglês.
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. Segue de modo geral o suporte a idiomas do modelo Whisper: africâner, árabe, armênio, azerbaijano, bielorrusso, bósnio, búlgaro, catalão, chinês, croata, tcheco, dinamarquês, holandês, inglês, estoniano, finlandês, francês, galego, alemão, grego, hebraico, híndi, húngaro, islandês, indonésio, italiano, japonês, canarês, cazaque, coreano, letão, lituano, macedônio, malaio, marati, maori, nepalês, norueguês, persa, polonês, português, romeno, russo, sérvio, eslovaco, esloveno, espanhol, suaíli, sueco, tagalo, tâmil, tailandês, turco, ucraniano, urdu, vietnamita e galês, embora as vozes sejam otimizadas para inglês
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
none
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.

Apenas no endpoint de geração de fala (v1/audio/speech), com Chat Completions, Responses, Realtime, Batch e Fine-tuning listados como não suportados

o texto de entrada é limitado a 4096 caracteres

saída em mp3 (padrão), opus, aac, flac, wav ou pcm (amostras brutas de 24 kHz, 16 bits, com sinal, little-endian)

reprodução em tempo real via chunked transfer encoding

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 · TTS-1 HD

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

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 TTS-1 HD 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