গুগল ক্লাউড টেক্সট-টু-স্পিচ API HTTP অনুরোধের মাধ্যমে টেক্সটকে অডিওতে রূপান্তর করে। এর ভয়েস টিয়ারের দাম ১ মিলিয়ন ক্যারেক্টারে $৪ (Standard ও WaveNet), $১৬ (Neural2) এবং $৩০ (Chirp 3 HD) থেকে শুরু। এতে ৭৫+ ভাষায় ৩৮০+ ভয়েস ও স্ট্রিমিং সাপোর্ট রয়েছে। আপনি যদি আরও উন্নত ও স্বাধীনভাবে শীর্ষস্থানীয় ভয়েস কোয়ালিটি কম খরচে চান, SpeechifyAI স্বাধীন Artificial Analysis TTS লিডারবোর্ডে ১ নম্বরে ($৬ থেকে $১০ প্রতি মিলিয়ন)।
Google Text-to-Speech API কী করে
Google Cloud Text-to-Speech একটি স্পিচ সিন্থেসিস API। আপনি টেক্সট (বা SSML), পছন্দের ভয়েস ও অডিও কনফিগারেশন পাঠান, আর এটি অডিও স্ট্রিম বা ফাইল ফিরিয়ে দেয়। এটি Google Cloud-এর অংশ, তাই সহজেই GCP প্রজেক্টে যুক্ত করা যায় এবং প্ল্যাটফর্মের অন্যান্য অংশের মতোই IAM, বিলিং ও ক্লায়েন্ট লাইব্রেরি ব্যবহার করে। ডেভেলপাররা IVR, অ্যাক্সেসিবিলিটি, মিডিয়া ন্যারেশন বা যেকোনো Google Cloud-ভিত্তিক পণ্যের জন্য এটি ব্যবহার করেন।
Google TTS ভয়েস টিয়ার ও ২০২৬ সালের মূল্য
গুগল ভয়েসের ধরন অনুযায়ী প্রতি মিলিয়ন ক্যারেক্টারে মূল্য নির্ধারণ করে। উচ্চতর টিয়ারগুলো আরও স্বাভাবিক শোনায় এবং দামও বেশি:
ফ্রি বরাদ্দ শেষ হলে বিলিং পে-অ্যাজ-ইউ-গো ভিত্তিতে হয়। ফ্রি কোটাটি প্রোটোটাইপের জন্য যথেষ্ট হতে পারে, তবে এটি প্রতি মাসে রিসেট হয়, তাই মূল প্রোডাকশন ভলিউম মাথায় রেখে পরিকল্পনা করুন।
Google TTS API কীভাবে কল করবেন
- একটি Google Cloud প্রজেক্ট তৈরি করুন এবং Text-to-Speech API চালু করুন।
- সার্ভিস অ্যাকাউন্ট কী বা Application Default Credentials দিয়ে অথেন্টিকেট করুন।
- texttospeech.googleapis.com/v1/text:synthesize
- REST বা gRPC দিয়ে কল করুন, অথবা অফিশিয়াল Python, Node, Java কিংবা Go ক্লায়েন্ট লাইব্রেরি ব্যবহার করুন।
- input
- (টেক্সট বা SSML),
- voice
- (ভাষা কোড ও নাম) এবং
- audioConfig
- (এনকোডিং, speaking rate, pitch) পাঠান। আপনি বেস৬৪ অডিও পাবেন।
সেটআপটি মূলত স্ট্যান্ডার্ড GCP ধাঁচের: আপনি আগে থেকেই Google Cloud ব্যবহার করলে এটি সহজ, না হলে কিছুটা ঝামেলা লাগতে পারে।
কখন বিকল্প বিবেচনা করবেন
Google TTS একটি নির্ভরযোগ্য এবং ব্যাপকভাবে সমর্থিত অপশন, বিশেষ করে GCP-তে। তবে দুটি কারণে অনেক টিম বিকল্প খোঁজে:
- ভয়েসের মান ও মূল্য।
- গুগলের শীর্ষ টিয়ারগুলো (Chirp 3 HD $৩০, Studio $১৬০) বিস্তৃত হলেও স্বাধীন র্যাঙ্কিংয়ে অন্য মডেল এগিয়ে।
- Artificial Analysis TTS লিডারবোর্ডে
- (জুলাই ২০২৬ অনুযায়ী), SpeechifyAI-এর Simba 3.2 Google DeepMind-এর ওপরে #১।
- রিয়েল-টাইম ভয়েস এজেন্ট।
- একটি কার্যকর
- ভয়েস এজেন্ট
- -এর জন্য Speech-to-Text এবং LLM-ও দরকার। এগুলো Google TTS-এর সঙ্গে যুক্ত করলে তিনটি পরিষেবার বিলিং ও লেটেন্সি যোগ হয়।
SpeechifyAI: Google TTS-এর বিকল্প
- স্বাধীনভাবে উচ্চমানের।
- Simba 3.2
- স্বাধীন Artificial Analysis TTS লিডারবোর্ডে (জুলাই ২০২৬ পর্যন্ত) #১ এবং Voice Arena-তে যৌথভাবে #২, Google DeepMind, ElevenLabs ও OpenAI-এর ওপরে।
- মান বজায় রেখে কম খরচ।
- প্রতি মিলিয়ন ক্যারেক্টারে $৬ — Google Neural2 ($১৬) ও Chirp 3 HD ($৩০)-এর চেয়ে কম, তবু র্যাঙ্কিংয়ে এগিয়ে।
- ~৩০০মি.সে. লেটেন্সি, ৩০+ ভাষা, ১,৫০০+ ভয়েস
- — সত্যিকারের স্ট্রিমিং-সহ রিয়েল-টাইম অ্যাপের জন্য।
- এক প্ল্যাটফর্মে ভয়েস এজেন্ট।
- STT, LLM ও TTS এক API-তে, SpeechifyAI-তে প্রতি মিনিট $০.০৬৮–$০.০৭৫, কোনো অতিরিক্ত বিলিং ছাড়াই।
SpeechifyAI হলো Speechify-এর ডেভেলপার প্ল্যাটফর্ম, যা ভোক্তাদের জন্য থাকা Speechify অ্যাপ থেকে আলাদা।
শুরু করুন
Google-এর সঙ্গে তুলনা করে সহজেই শুরু করুন: speechify.ai-এ ফ্রি SpeechifyAI API কী নিন (৫০,০০০ ক্যারেক্টার/মাস), এবং SDK ইনস্টল করুন pip install speechify-api বা npm install @speechify/api দিয়ে।
