Google TTS Chirp 3 HD vs Google TTS Neural2

vs

什么时候选哪个

google-tts-neural2 便宜 1.9 倍(每百万字符 $16 对 $30)并且直接支持 SSML,而 google-tts-chirp3-hd 把 SSML 列为预览——但 neural2 不支持流式,公布的语言区列表也短得多,只有 17 个带命名语音 id 的语言区。两者每次请求都接受 5000 字节,也都提供数值型语音参数。在已覆盖的语言区里做 SSML 驱动的批量合成选 google-tts-neural2,要流式和语言区广度选 google-tts-chirp3-hd。

价格

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

价格取自构建时的实时目录,最新价格见各模型页面。

两个模型所处的位置:全部 7 个按同一单位计费的文字转语音模型的每 1M 字符价格分布(对数刻度)

能力

Google TTS Chirp 3 HD Google TTS Neural2
流式输出 是 否
SSML preview supported
计费单位 character character

规格

Google TTS Chirp 3 HD Google TTS Neural2
输入模态 文本 文本
输出模态 音频 音频
发布日期 2025-03 2022-06-27
请求限制 5000 bytes 5000 bytes
音色 音色以星体命名,并公布性别: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 和 Zubenelgenubi。加上语言区域前缀构成 id,例如 en-US-Chirp3-HD-Charon。Google 把这一组描述为涵盖多种语言的 30 种不同风格。 音色 id 采用语言区域加字母的形式(en-US-Neural2-F、ja-JP-Neural2-B)。Google 的对比表把 Neural2 列为通用型、正式发布、可通过 SSML 控制、不具备流式能力;文档还说明这些音色基于与打造 Custom Voice 相同的技术,让任何人无需训练自己的音色就能用上 Custom Voice 技术。
语言 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 和 vi-VN。 语言区域清单比 Standard 短得多。Neural2 音色 id 已发布于 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 和 vi-VN。Google 指出 Neural2 音色在全球端点和单区域端点上均可用。
声音控制
  • 音色控制项均处于 Preview 阶段:语速通过 speaking_rate 0.25 到 2.0 调节
  • [pause short]、[pause long] 和 [pause] 停顿标记只在 markup 输入字段中被接受,在 text 中一概无效,且标记放置得不自然时模型可能不予理会
  • 自定义发音支持 IPA 或 X-SAMPA
  • SSML 支持处于 Preview 且仅限同步请求,流式请求不支持,未列出的标签会被忽略,say-as 的 interpret-as=expletive 或 bleep 不受支持
  • AudioConfig 控制项:speakingRate 0.25 到 2.0(原生为 1.0)· pitch -20.0 到 20.0 半音
  • volumeGainDb -96.0 到 16.0
  • effectsProfileId 设备配置,覆盖可穿戴设备、手机、耳机、中小型蓝牙音箱、大型家庭影音、大型车载音响和电话线路播放
  • SSML 标签包括 speak、break、say-as、sub、mark、prosody、emphasis、phoneme、voice 和 lang
限制 单次 synthesize 请求的内容上限为 5,000 字节总量;默认响应格式为 LINEAR16;流式支持 ALAW、MULAW、OGG_OPUS 和 PCM,批量再加上 MP3,因此 MP3 在流式路径上不可用;它是 Google 对比表中唯一标注为具备流式能力的音色类型;在 global、us 和 eu 端点以及 asia-southeast1、europe-west2 和 asia-northeast1 正式发布,但不在区域化和数据驻留的适用范围内;按字符计费,空格和换行都计入,除 <mark> 外的所有 SSML 标签也计入 单次 synthesize 请求的内容上限为 5,000 字节总量;输出 LINEAR16(带 WAV 头)、32 kbps MP3、OGG_OPUS,或 G.711 MULAW 与 ALAW;可选的 sampleRateHertz 会做重采样,若该采样率对所选编码不受支持,请求会失败;不提供流式合成;按字符计费,空格和换行都计入,除 <mark> 外的所有 SSML 标签也计入;多字节字符只计一次的说明仅适用于 Standard 和 WaveNet

规格照录自各供应商的文档;供应商没有公布的项目,对应的行直接省略,不做推断。 完整来源: Google TTS Chirp 3 HD · Google TTS Neural2

改一行代码就能在两个模型之间切换

下方每个标签页里都有两个模型 ID,高亮的那两行是唯一要改的地方。端点不变,API key 不变,请求结构也不变。

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",  # 取消注释此行,注释上一行
    file=open("meeting.mp3", "rb"),
    language="en",
)
print(resp.text)

获取 API key →

常见问题

Google TTS Chirp 3 HD 和 Google TTS Neural2 哪个更便宜?

按「每 1M 字符」算,Google TTS Neural2 更便宜($16 对 $30,相差 1.9×)。其他计费项的结论可能相反,完整价格见上方表格,实际成本取决于你的用量构成。

不用分别集成两次,就能对 Google TTS Chirp 3 HD 和 Google TTS Neural2 做 A/B 测试吗?

可以。两个模型走同一个 OpenAI 兼容端点,用同一个 API key,切换时只要改一行里的模型名,所以可以给两个模型各分一部分流量,直接对比账单。

文字转语音如何计费?

按输入文本的字符数计费,单次请求的字符上限见规格表。不管用哪个模型,长文本都得拆成多个请求。

相关对比

我们的实测研究