Google TTS Neural2 vs Google TTS Standard

vs

Qual usar e quando

O google-tts-standard é 4x mais barato, $4 por milhão de caracteres contra $16, e tem a maior amplitude de locais da linha; o neural2 é a síntese de maior qualidade numa lista bem mais curta de 17 locais. Nenhum faz streaming, os dois admitem 5000 bytes por requisição, os dois suportam SSML e parâmetros numéricos de voz - e o standard conta um caractere multibyte uma única vez, o que importa em texto CJK. Escolha o standard por alcance e custo, o neural2 onde seu local esteja coberto e a qualidade importe.

Preços

Google TTS Neural2 Google TTS Standard Δ
Por 1M caracteres $16 $4 4×

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 Neural2 Google TTS Standard
Streaming não não
SSML supported supported
Unidade de cobrança character character

Especificações

Google TTS Neural2 Google TTS Standard
Modalidades de entrada texto texto
Modalidades de saída áudio áudio
Lançamento 2022-06-27 2018-03-27
Limite por requisição 5000 bytes 5000 bytes
Vozes 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.

Os ids de voz seguem um padrão de locale mais letra (en-US-Standard-A, cmn-CN-Standard-A). A tabela comparativa do Google lista o Standard como eficiente em custo, em disponibilidade geral, controlável via SSML e sem capacidade de streaming

a documentação atribui as vozes ao text-to-speech paramétrico passado por vocoders.

Idiomas 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. A maior amplitude de locales entre os tipos de voz do Cloud TTS. Ids de voz Standard são publicados para 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 e yue-HK.
Controle de voz
  • 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
  • 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. 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.

Limite de conteúdo de 5.000 bytes no total por requisição de síntese (um único caractere ocupa vários bytes em alguns locales). Saída LINEAR16 (devolvida 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

a Long Audio Synthesis (Preview) cobre até 1 milhão de bytes de entrada de forma assíncrona. Cobrado por caractere, incluindo espaços e quebras de linha, e todas as tags SSML exceto <mark> contam

em Standard e WaveNet um caractere multibyte é cobrado uma única vez.

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 Neural2 · Google TTS Standard

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-neural2",
    # model="google-tts-standard",  # 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 Neural2 ou Google TTS Standard?

Google TTS Standard sai mais barato na linha “Por 1M caracteres” ($4 contra $16, 4.0× 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 Neural2 contra Google TTS Standard 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