Google TTS Chirp 3 HD vs Google TTS Neural2

vs

什麼情況選哪一個

google-tts-neural2 便宜 1.9 倍(每百萬字元 $16 對 $30)並且直接支援 SSML,而 google-tts-chirp3-hd 把 SSML 列為預覽——但 neural2 不支援串流,公布的語言區列表也短得多,只有 17 個帶命名語音 id 的語言區。兩者每次請求都接受 5000 位元組,也都提供數值型語音參數。在已涵蓋的語言區裡做 SSML 驅動的批次合成選 google-tts-neural2,要串流和語言區廣度選 google-tts-chirp3-hd。

定價

Google TTS Chirp 3 HD Google TTS Neural2 Δ
每 1M 字元 $30 $16 1.9×

費率取自網站建置時的即時目錄;各模型頁面都列有最新的價目。

兩者的相對位置:每 1M 字元的價格,涵蓋同一計費單位下全部 7 個文字轉語音模型(對數尺度)

功能

Google TTS Chirp 3 HD Google TTS Neural2
串流 是 否
SSML preview supported
計費單位 character character

規格

Google TTS Chirp 3 HD Google TTS Neural2
輸入模態 文字 文字
輸出模態 音訊 音訊
發布日期 2025-03 2022-06-27
請求限制 5000 bytes 5000 bytes
聲音 音色以星體命名並附有性別: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 與 Zubenelgenubi。加上語言區域前綴即構成 id,例如 en-US-Chirp3-HD-Charon。Google 把這組音色描述為跨多種語言的 30 種不同風格。 音色 id 採用語言區域加字母的形式(en-US-Neural2-F、ja-JP-Neural2-B)。Google 的對照表把 Neural2 列為通用型、已正式發布、可透過 SSML 控制,且不具備串流能力;文件並說明這些音色基於與打造 Custom Voice 相同的技術,讓任何人都能用上 Custom Voice 技術,而不必自行訓練。
語言 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 與 vi-VN。 語言區域清單比 Standard 短得多。Neural2 音色 id 已公布於 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 與 vi-VN。Google 指出 Neural2 音色在全域端點與單一區域端點上皆可使用。
聲音控制
  • 音色控制項皆為 Preview:以 speaking_rate 0.25 到 2.0 控制語速
  • [pause short]、[pause long] 與 [pause] 停頓標籤只在 markup 輸入欄位中被接受,絕不能放進 text,且標籤若擺放得不自然,模型可能會無視
  • 以 IPA 或 X-SAMPA 標註的自訂發音
  • SSML 支援為 Preview 且僅限同步,串流請求不支援,未列出的標籤會被忽略,say-as interpret-as=expletive 或 bleep 不受支援
  • AudioConfig 控制項:speakingRate 0.25 到 2.0(原生為 1.0)
  • pitch -20.0 到 20.0 個半音
  • volumeGainDb -96.0 到 16.0
  • effectsProfileId 裝置設定檔,涵蓋穿戴裝置、手機、耳機、小型與中型藍牙喇叭、大型家庭娛樂、大型車載與電話語音播放
  • SSML 標籤包括 speak、break、say-as、sub、mark、prosody、emphasis、phoneme、voice 與 lang
限制 每次 synthesize 請求的內容上限為 5,000 位元組。預設回應格式為 LINEAR16;串流支援 ALAW、MULAW、OGG_OPUS 與 PCM,批次另加 MP3,因此 MP3 在串流路徑上不可用。它是 Google 對照表中唯一標記為具備串流能力的音色類型。已在 global、us 與 eu 端點以及 asia-southeast1、europe-west2 與 asia-northeast1 上正式發布,但不在區域化與資料落地的範圍內。按字元計費,含空格與換行,且除 <mark> 以外的所有 SSML 標籤都計入。 每次 synthesize 請求的內容上限為 5,000 位元組。輸出 LINEAR16(附 WAV 檔頭)、32 kbps 的 MP3、OGG_OPUS,或 G.711 MULAW 與 ALAW;可選的 sampleRateHertz 會重新取樣,若該取樣率不受該編碼支援則請求失敗。不在串流合成上提供。按字元計費,含空格與換行,且除 <mark> 以外的所有 SSML 標籤都計入;多位元組只收費一次的規則僅適用於 Standard 與 WaveNet。

規格摘錄自各供應商的文件;供應商沒有公布的項目就直接略過,不自行推測。 完整來源: Google TTS Chirp 3 HD · Google TTS Neural2

改一行程式碼就能在兩者之間切換

下面每個頁籤都列了這兩個模型 ID,要改的只有醒目標示的那兩行。端點、金鑰和請求格式都不變。

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",  # 取消這一行的註解,並把上一行註解掉
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

取得 API 金鑰 →

常見問題

Google TTS Chirp 3 HD 和 Google TTS Neural2 哪個比較便宜?

以「每 1M 字元」來看,Google TTS Neural2 比較便宜($16 對 $30,相差 1.9×)。其他項目的結果可能相反,完整價目請看上表;實際成本要看你的用量組合。

可以只串接一次,就對 Google TTS Chirp 3 HD 和 Google TTS Neural2 做 A/B 測試嗎?

可以。兩個模型都走同一個 OpenAI 相容端點,用的也是同一把 API 金鑰,切換時只要改一行裡的模型名稱字串。你可以把一部分流量分別導到兩邊,再直接比較帳單。

文字轉語音是如何計費的?

依輸入文字的字元數計費,每次請求的字元上限列在規格表裡。兩個模型都一樣,稿子太長就得拆成多次請求。

相關比較