Google Cloud Text to Speech API সম্পর্কে যা যা জানা দরকার

গুগলের Cloud Text-to-Speech API একটি HTTP অনুরোধের মাধ্যমে টেক্সটকে অডিওতে রূপান্তর করে। এর ভয়েস টিয়ারের দাম শুরু হয় প্রতি ১০ লক্ষ অক্ষরে $৪ (Standard ও WaveNet), $১৬ (Neural2) এবং $৩০ (Chirp 3 HD) থেকে। এতে ৭৫+ ভাষায় ৩৮০+ ভয়েস ও স্ট্রিমিং সাপোর্ট রয়েছে। আপনি যদি আলাদাভাবে আরও উন্নত ভয়েস ও কম খরচ চান, SpeechifyAI স্বাধীন Artificial Analysis TTS leaderboard-এ প্রতি ১০ লক্ষ অক্ষরে $৬ থেকে $১০-এ #১ স্থান পেয়েছে।

নিজে বানাতে চান? Speechify টেক্সট-টু-স্পিচ ও ভয়েস ক্লোনিং API পাবেন speechify.ai-এ। ডকুমেন্টেশন ও ফ্রি কী পাবেন docs.speechify.ai-এ।

Google Text-to-Speech API কী করে

Google Cloud Text-to-Speech মূলত একটি সিন্থেসিস API। এখানে আপনি টেক্সট (বা SSML), ভয়েস ও অডিও কনফিগারেশন দেন, আর বদলে পান অডিও স্ট্রিম বা ফাইল। এটি Google Cloud-এর অংশ, তাই সহজেই GCP প্রজেক্টে যুক্ত করা যায় এবং একই IAM, বিলিং ও ক্লায়েন্ট লাইব্রেরি ব্যবহার করা যায়। ডেভেলপাররা সাধারণত এটি অ্যাক্সেসিবিলিটি, IVR, মিডিয়া ন্যারেশন বা Google Cloud-ভিত্তিক যেকোনো পণ্যের জন্য বেছে নেন।

Google TTS ভয়েস টিয়ার ও ২০২৬ সালের দাম

Google ভয়েসের ধরন অনুযায়ী প্রতি ১০ লক্ষ অক্ষরের দাম নির্ধারণ করে। উচ্চতর টিয়ারগুলো আরও স্বাভাবিক শোনায়, তবে খরচও বেশি:

ফ্রি টিয়ার শেষ হলে বিল হবে পে-অ্যাস-ইউ-গো ভিত্তিতে। ফ্রি বরাদ্দ প্রোটোটাইপিংয়ের জন্য যথেষ্ট, তবে এটি প্রতি মাসে রিসেট হয়, তাই প্রোডাকশন ভলিউম মাথায় রেখে পরিকল্পনা করুন।

কীভাবে Google TTS API কল করবেন

1. একটি Google Cloud প্রজেক্ট তৈরি করুন এবং Text-to-Speech API চালু করুন।
2. সার্ভিস অ্যাকাউন্ট কী বা Application Default Credentials দিয়ে অথেনটিকেট করুন।
3. REST বা gRPC দিয়ে texttospeech.googleapis.com/v1/text:synthesize কল করুন, অথবা অফিসিয়াল Python, Node, Java বা Go ক্লায়েন্ট লাইব্রেরি ব্যবহার করুন।
4. input (টেক্সট বা SSML), voice (ভাষা কোড ও নাম) এবং audioConfig (এনকোডিং, স্পিকিং রেট, পিচ) দিন। রিটার্নে বেস64 অডিও পাবেন।

সেটআপটি স্ট্যান্ডার্ড GCP ধরনের। আগে থেকেই Google Cloud ব্যবহার করলে সহজ, না হলে কিছুটা বাড়তি ঝামেলা লাগতে পারে।

কখন বিকল্প বিবেচনা করবেন

Google TTS বেশ নির্ভরযোগ্য এবং ব্যাপকভাবে ব্যবহৃত, বিশেষ করে GCP-তে। তবে সাধারণত দুটি কারণে অনেকে বিকল্প খোঁজেন:

• দামের তুলনায় ভয়েসের মান। Google-এর সবচেয়ে উচ্চমানের টিয়ারগুলো (Chirp 3 HD - $৩০, Studio - $১৬০) দ্রুতই ব্যয়বহুল হয়ে যায়, আর স্বাধীন রেটিংয়ে অন্য কিছু মডেলের মান এখনো এগিয়ে। Artificial Analysis TTS leaderboard-এ (জুলাই ২০২৬), SpeechifyAI-এর Simba 3.2 #১, এবং Google DeepMind-এরও ওপরে।
• রিয়েল-টাইম ভয়েস এজেন্ট। ভয়েস এজেন্ট-এর জন্য আপনার Speech-to-Text ও LLM-ও লাগবে। এগুলো Google TTS-এর সঙ্গে জুড়তে গেলে তিনটি আলাদা সার্ভিসের বিলিং ও লেটেন্সি সামলাতে হয়।

Google TTS-এর বিকল্প হিসেবে SpeechifyAI

• স্বতন্ত্র মূল্যায়নে উচ্চ মান। Simba 3.2 স্বাধীন Artificial Analysis TTS leaderboard-এ (জুলাই ২০২৬) #১ এবং Voice Arena-তে যৌথভাবে ২য়, Google DeepMind, ElevenLabs ও OpenAI-এর ওপরে।
• উচ্চ মানে কম খরচ। প্রতি ১০ লক্ষ অক্ষরে $৬, যা Google-এর Neural2 ($১৬) ও Chirp 3 HD ($৩০)-এর চেয়েও কম, অথচ মান বেশি।
• ~৩০০ms লেটেন্সি, ৩০+ ভাষা, ১,৫০০+ ভয়েস এবং রিয়েল-টাইম অ্যাপের জন্য সত্যিকারের স্ট্রিমিং।
• প্যাকেজড ভয়েস এজেন্ট। যদি STT, LLM ও TTS সবই চান, SpeechifyAI-তে একটি API-তেই প্রতি মিনিট $০.০৬৮ থেকে $০.০৭৫, কোনো অতিরিক্ত বিলিং ছাড়াই।

SpeechifyAI হলো Speechify-এর ডেভেলপার প্ল্যাটফর্ম, যা ভোক্তাদের জন্য তৈরি Speechify অ্যাপ থেকে আলাদা।

শুরু করুন

Google-এর সঙ্গে কয়েক লাইন কোডেই তুলনা করে দেখুন: ফ্রি SpeechifyAI API কী নিন speechify.ai থেকে, প্রতি মাসে ৫০,০০০ অক্ষর বিনামূল্যে পান, এবং SDK ইনস্টল করুন pip install speechify-api অথবা npm install @speechify/api দিয়ে।