Google TTS Neural2 vs Google TTS Standard

vs

什么时候选哪个

google-tts-standard 便宜 4 倍,每百万字符 $4 对 $16,并且是这条产品线里语言区跨度最广的一个;neural2 是质量更高的合成,但语言区列表短得多,只有 17 个。两者都不支持流式,每次请求都接受 5000 字节,都支持 SSML 和数值型语音参数——而且 standard 对多字节字符只计一次,这对中日韩文案很关键。要覆盖面和成本选 standard,语言区已被覆盖且看重质量时选 neural2。

价格

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

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 Neural2 Google TTS Standard
流式输出 否 否
SSML supported supported
计费单位 character character

规格

Google TTS Neural2 Google TTS Standard
输入模态 文本 文本
输出模态 音频 音频
发布日期 2022-06-27 2018-03-27
请求限制 5000 bytes 5000 bytes
音色 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。 音色 id 采用语言区域加字母的形式(en-US-Standard-A、cmn-CN-Standard-A)。Google 的对比表把 Standard 列为成本高效、正式发布、可通过 SSML 控制、不具备流式能力;文档将这些音色归因于经声码器处理的参数式文本转语音。
语言 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。 所有 Cloud TTS 音色类型中语言区域跨度最广的一档。Standard 音色 id 已发布于 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 和 yue-HK。
声音控制
  • 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
  • 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;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 单次 synthesize 请求的内容上限为 5,000 字节总量(在部分语言区域中,一个字符会占多个字节);输出 LINEAR16(返回时带 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;Long Audio Synthesis(Preview)以异步方式支持最多 100 万字节的输入;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;对 Standard 和 WaveNet 而言,多字节字符只计一次

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 Neural2 · Google TTS Standard

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-neural2",
    # model="google-tts-standard",  # 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 Neural2 和 Google TTS Standard 哪个更便宜?

按「每 1M 字符」算,Google TTS Standard 更便宜($4 对 $16,相差 4.0×)。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 Neural2 和 Google TTS Standard 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