Google Cloud Text to Speech API की प्राइसिंग सीधे आंकड़ों में: Standard, WaveNet, Neural2, Chirp 3 HD और Studio वॉइस की कीमत प्रति मिलियन कैरेक्टर कितनी है, फ्री टियर वास्तव में कितना बड़ा है, और शिप करने से पहले मासिक बिल का अनुमान कैसे लगाएँ, साथ ही ब्राउज़र-आधारित विकल्प भी।
Google Cloud Text to Speech पहले बिल आने तक सस्ता लगता है। मुख्य आंकड़ा बेसिक वॉइस के लिए $4 प्रति मिलियन कैरेक्टर है, लेकिन जो वॉइस लोग असल में सुनना चाहते हैं, उनकी कीमत चार से चालीस गुना तक ज़्यादा है, और क्वालिटी की सीढ़ी पर ऊपर चढ़ते ही फ्री allowance तेज़ी से घटता है। यह लेख हर वॉइस टियर, मासिक फ्री टियर में असल में क्या शामिल है, कोड लिखने से पहले बिल का अनुमान कैसे लगाएँ, और कब कोई दूसरा AI वॉइस मॉडल ज़्यादा समझदारी भरा सौदा है, यह सब बताता है।
नीचे दी गई कीमतें अक्टूबर 2026 तक Google की प्रकाशित दरों को दर्शाती हैं। Google अपनी वॉइस लाइनअप अक्सर बदलता है, इसलिए इन आंकड़ों को प्लानिंग के आधार के रूप में लें और बजट तय करने से पहले अपने बिलिंग कंसोल में इन्हें ज़रूर जाँच लें।
Cloud Text-to-Speech API सादा टेक्स्ट या SSML दस्तावेज़ लेता है और ऑडियो लौटाता है। आप इसे REST या gRPC के ज़रिए कॉल कर सकते हैं, या Python, Node.js, Java, Go और C# के लिए क्लाइंट लाइब्रेरी से। ऑथेंटिकेशन सर्विस अकाउंट के ज़रिए होता है, इसलिए बैकएंड बिना किसी इंसानी साइन-इन स्टेप के ऑडियो माँग सकता है।
हर रिस्पॉन्स MP3, LINEAR16 (बिना कम्प्रेशन वाली WAV), OGG_OPUS, MULAW या ALAW में आता है। MP3 वेब प्लेबैक के लिए ठीक है, LINEAR16 एडिटिंग के लिए, और MULAW या ALAW उन फ़ोन सिस्टम के लिए जो टेलीफ़ोनी कोडेक की उम्मीद करते हैं। एक कॉल लगभग 5,000 बाइट इनपुट स्वीकार करती है, इसलिए लंबी स्क्रिप्ट को चंकों में बाँटना पड़ता है और अपनी तरफ़ से उन्हें दोबारा जोड़ना होता है।
💡 टिप: स्क्रिप्ट को हमेशा वाक्य की सीमा पर बाँटें, किसी तय बाइट संख्या पर नहीं। वाक्य के बीच में कट लगने से जोड़ पर पिच में सुनाई देने वाला झटका आता है।
SSML वह मार्कअप भाषा है जो बोलने का तरीका तय करती है। इसके ज़रिए आप <break> से विराम जोड़ सकते हैं, <emphasis> से किसी शब्द पर ज़ोर दे सकते हैं, और <say-as> से तारीखों, संख्याओं और संक्षिप्त शब्दों को पूरे रूप में बोलवा सकते हैं। SSML के बाहर, रिक्वेस्ट सादे पैरामीटर के रूप में स्पीकिंग रेट (0.25x से 4x) और पिच (माइनस 20 से प्लस 20 सेमिटोन) दिखाती है। Google 50 से ज़्यादा भाषाओं और वेरिएंट में सैकड़ों वॉइस सूचीबद्ध करता है, हालाँकि हर कंट्रोल हर वॉइस टियर पर काम नहीं करता।
Google स्पीच को टियर में बेचता है। कीमत ऑडियो की लंबाई पर नहीं, बल्कि उसके नीचे की वॉइस तकनीक पर तय होती है, इसलिए गलत टियर चुनना बजट की सबसे आम गलती है।
| वॉइस टियर | प्रति 1M कैरेक्टर कीमत | प्रति माह फ्री | सबसे अच्छा किसके लिए |
|---|---|---|---|
| Standard | $4 | 4M कैरेक्टर | अलर्ट, प्रोटोटाइप, सादा नैरेशन |
| WaveNet | $4 | Standard के साथ साझा | उसी कीमत पर थोड़ा गर्म लहजा |
| Neural2 | $16 | 1M कैरेक्टर | ज़्यादातर ऐप्स में स्वाभाविक पढ़ाई |
| Polyglot | $16 | Neural2 के साथ साझा | कई भाषाओं में एक ही स्पीकर |
| Chirp 3 HD | $30 | 1M कैरेक्टर | जीवंत, भावपूर्ण नैरेशन |
| Instant custom voice | $60 | कोई नहीं | क्लोन की गई ब्रांड वॉइस |
| Studio | $160 | छोटा allowance | प्रीमियम लंबी-अवधि ऑडियो |
💡 ध्यान दें: थर्ड-पार्टी प्राइस पेज WaveNet के फ्री कोटा पर सहमत नहीं हैं, कुछ 1M बताते हैं और कुछ 4M, क्योंकि Standard और WaveNet की लाइनें सालों में बदलती रही हैं। बड़े आंकड़े पर भरोसा करने से पहले अपने कंसोल में लाइव संख्याएँ जाँच लें।
चुनने का एक सीधा नियम: जब ऑडियो छोटा और काम का हो तो Standard लें, जब लोग इसे रोज़ सुनेंगे तो Neural2, जब वॉइस प्रोडक्ट अनुभव का हिस्सा हो तो Chirp 3 HD, और Studio तभी जब आपने Chirp 3 HD सुनकर उसे कम पाया हो। एक टियर नीचे से शुरू करना और असली श्रोताओं की प्रतिक्रिया के बाद ऊपर जाना पहले बिलों को छोटा रखता है।
Standard वॉइस सबसे पुरानी और सबसे सस्ती हैं। वे साफ़ तौर पर कृत्रिम लगती हैं, इनकी गति समान रहती है और भावना सपाट होती है। डिलीवरी नोटिफ़िकेशन या स्टेटस रीडआउट के लिए यह ठीक है, और हर महीने के 4 मिलियन फ्री कैरेक्टर इस ट्रैफ़िक का काफ़ी हिस्सा खपा देते हैं। WaveNet वॉइस एक न्यूरल वोकोडर इस्तेमाल करती हैं जो रोबोटिक खुरदुरापन कम करता है। मौजूदा दरों पर इनकी कीमत Standard जितनी ही है, जिससे किसी ऐसी चीज़ के लिए Standard चुनना मुश्किल हो जाता है जिसे कोई इंसान कुछ सेकंड से ज़्यादा सुनेगा।
Neural2 वह सबसे भरोसेमंद रोज़मर्रा का टियर है। उच्चारण साफ़ है, वाक्य की लय स्वाभाविक लगती है, और प्रति मिलियन कैरेक्टर $16 एक उचित बीच का दाम है। Polyglot वॉइस, जो प्राइसिंग टेबल में अब भी preview लिखी है, एक ही स्पीकर को भाषाएँ बदलने देती हैं। यह उस सपोर्ट लाइन के काम आता है जिसे अंग्रेज़ी वाक्य के बीच कोई स्पेनिश नाम बोलना पड़ता है। दोनों टियर एक 1 मिलियन कैरेक्टर का मासिक allowance साझा करते हैं।
Chirp 3 HD Google का सबसे नया प्रीमियम परिवार है, जो 30 वॉइस स्टाइल पर बना है, जिनके नाम Aoede, Puck, Charon और Kore जैसे हैं। प्रति मिलियन कैरेक्टर $30 पर यह Neural2 से लगभग दोगुना महँगा है, लेकिन यह किसी इंसानी पाठक के बहुत करीब सुनाई देता है, विश्वसनीय साँस और इंटोनेशन के साथ। Studio वॉइस की कीमत प्रति मिलियन कैरेक्टर $160 है, जो Standard की दर से चालीस गुना है। Chirp 3 HD आम तौर पर इतना करीब पहुँच जाता है कि कुछ चुनिंदा प्रीमियम लंबे-अवधि कामों के बाहर Studio को जायज़ ठहराना मुश्किल है।
बिलिंग में आपके भेजे टेक्स्ट के कैरेक्टर गिने जाते हैं, जिसमें स्पेस और विराम चिह्न भी शामिल हैं। एक औसत अंग्रेज़ी शब्द में पाँच अक्षर और एक स्पेस होता है, इसलिए एक शब्द की कीमत लगभग छह कैरेक्टर है। इस हिसाब से 1 मिलियन कैरेक्टर लगभग 166,000 शब्द होते हैं, या 150 शब्द प्रति मिनट की सहज गति पर लगभग 18.5 घंटे की स्पीच।
Allowance हर कैलेंडर महीने में रीसेट होता है और आगे नहीं जाता। मार्च के बचे हुए कैरेक्टर अप्रैल में खत्म हो जाते हैं। ये टियर के हिसाब से भी अलग गिने जाते हैं, इसलिए 900,000 बचे हुए Neural2 कैरेक्टर कभी Chirp 3 HD के बिल को कम नहीं करेंगे।
फ्री टियर कोई बिना कार्ड वाला ट्रायल नहीं है। API जवाब देने से पहले प्रोजेक्ट से बिलिंग अकाउंट जोड़ना ज़रूरी है, भले ही आप फ्री allowance से बाहर कभी न जाएँ। पहले ही दिन $5 या $10 का बजट अलर्ट लगाएँ, और कंसोल में API कोटा कम करने पर विचार करें, ताकि कोई बेकाबू लूप रात भर में चार अंकों का सरप्राइज़ न बना दे।
💡 प्रो टिप: हर बनाई गई फ़ाइल को कैश करें। जो अभिवादन दिन में 10,000 बार चलता है, उसे एक बार सिंथेसाइज़ करके स्टोर करना चाहिए, 10,000 बार बिल नहीं होना चाहिए।
प्रति कैरेक्टर कीमतें बहुत छोटी लगती हैं, इसलिए यहाँ वही टियर असली वर्कलोड के हिसाब से दिखाए गए हैं। हर आंकड़े में पहले टियर का फ्री allowance घटाया गया है।
| वर्कलोड | कैरेक्टर | Standard | Neural2 | Chirp 3 HD |
|---|---|---|---|---|
| 1,500 शब्दों के 200 ब्लॉग लेख | 1.8M | $0 | $12.80 | $24.00 |
| फ़ोन मेनू, 120 कैरेक्टर के 50,000 प्रॉम्प्ट | 6M | $8.00 | $80.00 | $150.00 |
| एक 80,000 शब्दों का उपन्यास | 0.48M | $0 | $0 | $0 |
उपन्यास Neural2 या Chirp 3 HD पर फ्री allowance के भीतर रहता है, फिर भी वही किताब Studio पर किसी allowance से पहले $76.80 चलेगी। फ़ोन मेनू की पंक्ति बताती है कि टियर का चुनाव क्यों मायने रखता है: एक जैसा ट्रैफ़िक Standard पर $8 और Chirp 3 HD पर $150 लगाता है। दोहराए गए प्रॉम्प्ट को कैश करने से यह फ़र्क ज़्यादातर मिट जाता है, क्योंकि एक तय मेनू में सिर्फ़ कुछ सौ अलग-अलग वाक्यांश होते हैं।
150 शब्द प्रति मिनट और प्रति शब्द छह कैरेक्टर पर, एक घंटे की स्पीच लगभग 54,000 कैरेक्टर की होती है। किसी भी फ्री allowance से पहले की कीमत:
| टियर | प्रति ऑडियो घंटा लागत |
|---|---|
| Standard और WaveNet | $0.22 |
| Neural2 और Polyglot | $0.86 |
| Chirp 3 HD | $1.62 |
| Instant custom voice | $3.24 |
| Studio | $8.64 |
| Gemini 3.1 Flash TTS (टोकन के हिसाब से बिलिंग) | लगभग $1.81, स्वतंत्र अनुमान |
इन्हें पहले घंटे की नहीं, सौवें घंटे की कीमत के रूप में पढ़ें। Google के Gemini स्पीच मॉडल कैरेक्टर के बजाय टोकन के हिसाब से बिल करते हैं: Gemini 3.1 Flash TTS के लिए लगभग $1 प्रति मिलियन टेक्स्ट टोकन और $20 प्रति मिलियन ऑडियो टोकन। फिर लागत उस ऑडियो की लंबाई पर चलती है जो आप बनाते हैं, जिसका अनुमान नैरेशन के लिए लगाना आसान है और बातूनी असिस्टेंट के लिए मुश्किल।
लंबी-अवधि नैरेशन वह जगह है जहाँ प्रति-कैरेक्टर बिलिंग सबसे पूर्वानुमेय है। दस घंटे की किताब लगभग 540,000 कैरेक्टर की होती है, इसलिए बिना किसी फ्री allowance के भी Chirp 3 HD पूरी किताब के लिए $16.20 लगाएगा। इसमें एक समझौता है: निर्देशन पर कम नियंत्रण। Google की वॉइस वही पढ़ती हैं जो आप देते हैं, SSML से आगे सीमित भावनात्मक नियंत्रण के साथ, इसलिए संवाद वाली कथा का मतलब आम तौर पर कई किरदारों के लिए कई वॉइस आज़माना है।
टेलीफ़ोनी API की फ़ॉर्मेट सूची से सबसे अच्छी तरह मेल खाती है। MULAW या ALAW आउटपुट माँगें ताकि ऑडियो बिना कन्वर्ज़न के सीधे फ़ोन नेटवर्क में चला जाए, तय प्रॉम्प्ट एक बार जनरेट करके फ़ाइलें स्टोर करें, और लाइव सिंथेसिस उन हिस्सों के लिए रखें जो बदलते हैं, जैसे नाम और ऑर्डर नंबर। सिर्फ़ वह गतिशील हिस्सा ही आपके इनवॉइस तक पहुँचना चाहिए।
स्मार्ट स्पीकर, रीडिंग ऐप्स और इन-कार असिस्टेंट सभी एक ही पैटर्न साझा करते हैं: छोटे जवाब, ज़्यादा वॉल्यूम। Standard और Neural2 वॉइस इस ट्रैफ़िक को सस्ते में सँभाल लेती हैं, और उदार फ्री allowance का मतलब अक्सर यह होता है कि एक छोटा प्रोडक्ट कई महीनों तक कुछ नहीं चुकाता। यहाँ लेटेंसी भी मायने रखती है, इसलिए कोई वॉइस चुनने से पहले अपने क्षेत्र से रिस्पॉन्स टाइम जाँचें। जो वॉइस बिल्कुल सही लगती है पर शुरू होने में दो सेकंड लेती है, वह बातचीत में टूटी हुई लगती है।
एक्सेसिबिलिटी का मामला अलग है। जो व्यक्ति लंबे लेख पढ़ने के लिए ऑडियो पर निर्भर है, वह रोज़ घंटों तक वॉइस सुनता है, और एक सपाट सिंथेटिक लहजा जल्दी थका देता है। वहाँ Neural2 या Chirp 3 HD के लिए बजट रखें, और श्रोता को गति नियंत्रित करने दें।
API उन डेवलपर्स के लिए बना है जो cloud प्रोजेक्ट, सर्विस अकाउंट और बिलिंग कंसोल चलाते हैं। अगर आपको वीडियो के लिए वॉइसओवर, एक त्वरित प्रोटोटाइप या एक बार का नैरेशन चाहिए, तो वह सेटअप अतिरिक्त झंझट है। PicassoIA 24 टेक्स्ट-टू-स्पीच मॉडल होस्ट करता है, जिन्हें आप सीधे ब्राउज़र से आज़मा सकते हैं, बिना किसी cloud प्रोजेक्ट को कॉन्फ़िगर किए।
| मॉडल | ताकत | अच्छा फ़िट |
|---|---|---|
| Gemini 3.1 Flash TTS | 30 वॉइस, 70+ भाषा कोड, भावना टैग | भावपूर्ण नैरेशन और बहुभाषी स्क्रिप्ट |
| ElevenLabs v3 | प्राकृतिक, इंसानी लगने वाले वॉइसओवर | कहानी सुनाना और किरदार की रीडिंग |
| MiniMax Speech 2.8 HD | स्टूडियो-क्वालिटी आउटपुट | वीडियो के लिए परिष्कृत नैरेशन |
| Inworld Realtime TTS 2 | प्राकृतिक-भाषा में वॉइस निर्देश | बातचीत करने वाले एजेंट |
| Qwen3 TTS | वॉइस क्लोन करें या नई डिज़ाइन करें | कस्टम ब्रांड वॉइस |
| ElevenLabs Dubbing | वीडियो को 90+ भाषाओं में अनुवाद करें | मौजूदा फ़ुटेज का स्थानीयकरण |
अगर आपके प्रोजेक्ट को किसी स्टॉक वॉइस के बजाय अपनी पहचान वाली वॉइस चाहिए, तो MiniMax Voice Cloning एक छोटे नमूने से कस्टम वॉइस बनाता है, और यह उस $60 प्रति मिलियन कैरेक्टर से बच निकलता है जो Google एक instant custom voice के लिए लेता है।
Gemini 3.1 Flash TTS एक अच्छा पहला टेस्ट है, क्योंकि इसके वॉइस नाम Google की Chirp 3 HD लाइनअप से मेल खाते हैं। Aoede, Puck, Charon और Kore दोनों में मौजूद हैं, जिससे साथ-साथ तुलना आसान हो जाती है।
| पैरामीटर | क्या नियंत्रित करता है | शुरुआती बिंदु |
|---|---|---|
| वॉइस | पर्सोना, उम्र और लहजा | तटस्थ नैरेशन के लिए Kore |
| भाषा कोड | एक्सेंट और उच्चारण | अपने श्रोताओं के क्षेत्र से मिलाएँ |
| स्टाइल प्रॉम्प्ट | गति, भावना, डिलीवरी | एक छोटा वाक्य |
| टेक्स्ट टैग | वाक्यांश स्तर की अभिव्यक्ति | हर अनुच्छेद में दो या तीन |
💡 टिप: टैग कम रखें। जिस स्क्रिप्ट की हर पंक्ति [whispering] या [shouting] हो, वह थका देने वाली लगती है। इन्हें सजावट के लिए नहीं, कंट्रास्ट के लिए इस्तेमाल करें।
स्पीच शायद ही कभी अकेली जाती है। वीडियो को नैरेशन के नीचे संगीत की ज़रूरत होती है, और बोले गए कंटेंट को कैप्शन, सर्च और एक्सेसिबिलिटी के लिए ट्रांसक्रिप्ट चाहिए। Google ट्रांसक्रिप्शन को अपने अलग मीटर के साथ अलग प्रोडक्ट के रूप में बेचता है, इसलिए संगीत जोड़ने से पहले ही स्पीच प्रोजेक्ट में दो बिलिंग लाइनें बन सकती हैं।
संगीत के हिस्से के लिए, Lyria 3 Pro टेक्स्ट प्रॉम्प्ट से पूरे-लंबाई के गाने बनाता है, MiniMax Music 2.6 वोकल और बोल जोड़ता है, और Stable Audio 2.5 उन इंस्ट्रुमेंटल बेड के लिए ठीक है जो वॉइस के नीचे चुपचाप बैठते हैं। संगीत का प्रॉम्प्ट वैसे लिखें जैसे आप किसी कंपोज़र को ब्रीफ़ करते हैं: शैली, टेम्पो, वाद्य और मूड। "गर्म एकूस्टिक गिटार, 90 BPM, सहज, कोई वोकल नहीं" ऐसा बेड देता है जो नैरेशन से नहीं लड़ेगा।
ट्रांसक्रिप्ट के लिए, GPT-4o Transcribe और Gemini 3 Pro रिकॉर्डिंग को टेक्स्ट में बदलते हैं, जो मीटिंग नोट्स, इंटरव्यू और आपके अभी बनाए नैरेशन के कैप्शन के लिए उपयोगी है।
एक सीधी पाइपलाइन अच्छी तरह काम करती है: स्क्रिप्ट लिखें, वॉइस जनरेट करें, संगीत बेड जोड़ें, फिर अंतिम मिक्स का ट्रांसक्रिप्ट बनाकर कैप्शन तैयार करें और कठिन नामों का उच्चारण जाँचें।
प्राइसिंग टेबल आपको सिर्फ़ इतना ही बताती हैं। क्लाउड API और ब्राउज़र टूल के बीच फ़ैसला करने का सबसे तेज़ तरीका यह है कि दोनों को एक ही अनुच्छेद पढ़ते हुए सुनें। अपने प्रोजेक्ट से 100 शब्द लें, उन्हें Google के कंसोल से चलाएँ, फिर उन्हें Gemini 3.1 Flash TTS या MiniMax Speech 2.8 HD में चिपकाएँ और गति, गर्मजोशी और उच्चारण की साथ-साथ तुलना करें।
वहाँ रहते हुए प्लेटफ़ॉर्म के बाकी हिस्से भी आज़माएँ। Lyria 3 Pro से संगीत बेड जोड़ें, GPT-4o Transcribe से नतीजे का कैप्शन बनाएँ, और थंबनेल व लेख की कला के लिए Picasso IA से अपनी फ़ोटोरियलिस्टिक इमेज बनाएँ। खुलकर प्रयोग करें, एक बार में एक वेरिएबल बदलें, और वह संयोजन रखें जो सही सुनाई दे। हर मॉडल देखने के लिए picassoia.com/en/all-models पर जाएँ।
अपनी भाषा चुनें
