Google TTS Neural2 vs Google TTS Standard

vs

什麼情況選哪一個

google-tts-standard 便宜 4 倍,每百萬字元 $4 對 $16,並且是這條產品線裡語言區跨度最廣的一個;neural2 是品質更高的合成,但語言區列表短得多,只有 17 個。兩者都不支援串流,每次請求都接受 5000 位元組,都支援 SSML 和數值型語音參數——而且 standard 對多位元組字元只計一次,這對中日韓文案很關鍵。要覆蓋面和成本選 standard,語言區已被涵蓋且看重品質時選 neural2。

定價

Google TTS Neural2 Google TTS Standard Δ
每 1M 字元 $16 $4 4×

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 Neural2 Google TTS Standard
串流 否 否
SSML supported supported
計費單位 character character

規格

Google TTS Neural2 Google TTS Standard
輸入模態 文字 文字
輸出模態 音訊 音訊
發布日期 2022-06-27 2018-03-27
請求限制 5000 bytes 5000 bytes
聲音 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。 音色 id 採用語言區域加字母的形式(en-US-Standard-A、cmn-CN-Standard-A)。Google 的對照表把 Standard 列為成本效益高、已正式發布、可透過 SSML 控制,且不具備串流能力;文件把這些音色歸因於送過 vocoder 的參數式文字轉語音。
語言 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。 所有 Cloud TTS 音色類型中語言區域跨度最廣的等級。Standard 音色 id 已公布於 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 與 yue-HK。
聲音控制
  • 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
  • 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。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。 每次 synthesize 請求的內容上限為 5,000 位元組(在部分語言區域中,單一字元佔多個位元組)。輸出 LINEAR16(附 WAV 檔頭回傳)、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;Long Audio Synthesis(Preview)以非同步方式支援最多 100 萬位元組的輸入。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;對 Standard 與 WaveNet 而言,多位元組字元只收費一次。

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 Neural2 · Google TTS Standard

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-neural2",
    # model="google-tts-standard",  # 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 Neural2 和 Google TTS Standard 哪個比較便宜?

以「每 1M 字元」來看,Google TTS Standard 比較便宜($4 對 $16,相差 4.0×)。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 Neural2 和 Google TTS Standard 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