Google TTS Chirp 3 HD vs BytePlus Seed TTS 2.0

vs

什么时候选哪个

根据产品参数,这两者是可互换的:google-tts-chirp3-hd 和 seed-tts-2.0 均收取每百万输入 token $30,都具备 4096 token 的上下文窗口,且都在相同的语音能力下接受文本输入并返回音频。由于没有费率、上下文或模态差异需要权衡,选择的决定因素在于供应商偏好——google-tts-chirp3-hd 属于 Google,seed-tts-2.0 属于 ByteDance——以及你的听众在 A/B 测试中更喜欢哪种语音输出。两者的预算和提示词长度规划可以完全相同。

价格

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

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 BytePlus Seed TTS 2.0
流式输出 是 是
SSML preview unsupported
计费单位 character character

规格

Google TTS Chirp 3 HD BytePlus Seed TTS 2.0
输入模态 文本 文本
输出模态 音频 音频
发布日期 2025-03 2025-10-16
请求限制 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。 TTS 2.0 音色使用 *_uranus_bigtts 形式的 speaker ID,并在 Voice List 页面按场景(General、Entertainment、Education、Dubbing、AudioBook、RolePlay、CustomerService)列出;每个音色的情绪通过 audio_params.emotion 控制,emotion_scale 取 1 到 5(默认 4),speech_rate 和 loudness_rate 取值区间为 [-50, 100],post_process.pitch 为 [-12, 12]。
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。 英语、中文、日语、德语、法语、墨西哥西班牙语、印尼语、巴西葡萄牙语、意大利语和韩语
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
context_texts 和 section_id 仅 TTS 2.0 支持:一条自然语言指令即可调控语速、情绪、音量和风格(列表中只有第一个值生效,且其文本不计费),section_id 则可把此前最多 30 轮或 10 分钟的合成串联为历史上下文。
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 可通过单向流式 HTTP、单向或双向流式 WebSocket 以及在线 SDK 接入;单向流式和非流式接口的采样率为 24K/16K/8K,双向接口为 48K/24K/16K/8K;输出 PCM、OGG_OPUS 或 MP3(WAV 也被接受,但流式时会返回多个文件头);不支持 SSML

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 · BytePlus Seed TTS 2.0

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="seed-tts-2.0",  # 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 BytePlus Seed TTS 2.0 哪个更便宜?

两者的「每 1M 字符」同为 $30。其他费率与实际用量仍可能影响总费用。

不用分别集成两次,就能对 Google TTS Chirp 3 HD 和 BytePlus Seed TTS 2.0 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