Google TTS Chirp 3 HD vs TTS-1 HD

vs

什么时候选哪个

两者都是每百万字符 $30,也都支持流式,所以差别在控制力和长度:google-tts-chirp3-hd 每次请求接受 5000 字节,提供数值型语音参数并把 SSML 列为预览;tts-1-hd 接受 4096 个字符,完全没有音色控制。两者覆盖都很广,只是 tts-1-hd 的列表跟随 Whisper 的语言集,而不是一份枚举出来的语言区清单。需要塑造交付效果时选 google-tts-chirp3-hd,默认音色够用时选 tts-1-hd。

价格

Google TTS Chirp 3 HD TTS-1 HD 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 TTS-1 HD
流式输出 是 是
SSML preview undocumented
计费单位 character character

规格

Google TTS Chirp 3 HD TTS-1 HD
输入模态 文本 文本
输出模态 音频 音频
发布日期 2025-03 2023-11-06
请求限制 5000 bytes 4096 characters
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。 alloy、ash、coral、echo、fable、onyx、nova、sage 和 shimmer,比完整的 13 个 TTS 音色列表要少,且这些音色目前是针对英语优化的。
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。 大体沿用 Whisper 模型的语言支持:南非荷兰语、阿拉伯语、亚美尼亚语、阿塞拜疆语、白俄罗斯语、波斯尼亚语、保加利亚语、加泰罗尼亚语、中文、克罗地亚语、捷克语、丹麦语、荷兰语、英语、爱沙尼亚语、芬兰语、法语、加利西亚语、德语、希腊语、希伯来语、印地语、匈牙利语、冰岛语、印尼语、意大利语、日语、卡纳达语、哈萨克语、韩语、拉脱维亚语、立陶宛语、马其顿语、马来语、马拉地语、毛利语、尼泊尔语、挪威语、波斯语、波兰语、葡萄牙语、罗马尼亚语、俄语、塞尔维亚语、斯洛伐克语、斯洛文尼亚语、西班牙语、斯瓦希里语、瑞典语、他加禄语、泰米尔语、泰语、土耳其语、乌克兰语、乌尔都语、越南语和威尔士语,尽管音色是针对英语优化的
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
none
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 仅支持语音生成端点(v1/audio/speech),Chat Completions、Responses、Realtime、Batch 和微调均列为不支持;输入文本上限 4096 个字符;输出 mp3(默认)、opus、aac、flac、wav 或 pcm(原始 24 kHz 16-bit 有符号小端采样);通过分块传输编码实现实时播放

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 · TTS-1 HD

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="tts-1-hd",  # 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 TTS-1 HD 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 TTS-1 HD 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