Google TTS Chirp 3 HD vs BytePlus Seed TTS 2.0

vs

什麼情況選哪一個

就型錄規格而言,這兩者是可以互換的:google-tts-chirp3-hd 和 seed-tts-2.0 對每百萬輸入 token 皆收費 $30,兩者都具備 4096-token 的上下文視窗,並且皆接收文字輸入並在相同的語音能力下回傳音訊。由於在費率、上下文或模態上沒有需要權衡的落差,選擇取決於對供應商的偏好(google-tts-chirp3-hd 為 Google,seed-tts-2.0 為 ByteDance),以及你的聽眾在 A/B 測試中實際偏好的語音輸出。兩者的預算與提示長度規劃可以完全相同。

定價

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0 Δ
每 1M 字元 $30 $30 =

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 BytePlus Seed TTS 2.0
串流 是 是
SSML preview unsupported
計費單位 character character

規格

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0
輸入模態 文字 文字
輸出模態 音訊 音訊
發布日期 2025-03 2025-10-16
請求限制 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。 TTS 2.0 音色帶有 *_uranus_bigtts 形式的 speaker ID,並在 Voice List 頁面按場景分類列出(General、Entertainment、Education、Dubbing、AudioBook、RolePlay、CustomerService);每個音色可透過 audio_params.emotion 設定情緒,emotion_scale 為 1 至 5(預設 4),speech_rate 與 loudness_rate 範圍為 [-50, 100],post_process.pitch 範圍為 [-12, 12]。
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。 英語、中文、日語、德語、法語、墨西哥西班牙語、印尼語、巴西葡萄牙語、義大利語與韓語
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
context_texts 與 section_id 僅 TTS 2.0 支援:一段自然語言指令即可控制語速、情緒、音量與風格(清單中只有第一個值生效,且其文字不計費),section_id 則可把最多 30 輪或 10 分鐘的先前合成串接為歷史上下文。
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。 可透過單向串流 HTTP、單向或雙向串流 WebSocket 以及線上 SDK 接入;單向串流與非串流介面的取樣率為 24K/16K/8K,雙向介面為 48K/24K/16K/8K;輸出 PCM、OGG_OPUS 或 MP3(接受 WAV,但串流時會回傳多個檔頭);不支援 SSML

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 · BytePlus Seed TTS 2.0

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="seed-tts-2.0",  # 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 BytePlus Seed TTS 2.0 哪個比較便宜?

兩者的「每 1M 字元」同為 $30。其他費率與實際用量仍可能影響總費用。

可以只串接一次,就對 Google TTS Chirp 3 HD 和 BytePlus Seed TTS 2.0 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