Google Cloud Text to Speech API সম্পর্কে যা জানা দরকার

গুগলের Cloud Text-to-Speech API HTTP অনুরোধের মাধ্যমে টেক্সটকে অডিওতে রূপান্তর করে। ভয়েস টায়ারভেদে প্রতি ১০ লাখ অক্ষরের দাম $৪ (Standard ও WaveNet), $১৬ (Neural2) এবং $৩০ (Chirp 3 HD)। এতে ৭৫টির বেশি ভাষায় ৩৮০টির বেশি কণ্ঠস্বর ও স্ট্রিমিং সাপোর্ট রয়েছে। আপনি যদি এসব টায়ারের চেয়েও কম দামে উচ্চমানের স্বাধীন ভয়েস চান, SpeechifyAI ২৩ সেপ্টেম্বর ২০২৬ সালের স্বাধীন Artificial Analysis TTS লিডারবোর্ডে শীর্ষ পাঁচে রয়েছে ($৬-$১০ প্রতি ১০ লাখ অক্ষরে)।

নিজে এটি তৈরি করছেন? Speechify text-to-speech ও ভয়েস ক্লোনিং API পাওয়া যাবে speechify.ai-এ, আর ডকুমেন্টেশন ও ফ্রি কী পাবেন docs.speechify.ai-এ।

Google Text-to-Speech API কী করে

Google Cloud Text-to-Speech একটি স্পিচ সিন্থেসিস API: আপনি টেক্সট (বা SSML)-এর সঙ্গে একটি কণ্ঠ ও অডিও কনফিগ পাঠান, আর এটি অডিও স্ট্রিম বা ফাইল ফেরত দেয়। এটি Google Cloud-এর অংশ, তাই GCP প্রজেক্টে সহজেই যুক্ত করা যায় এবং প্ল্যাটফর্মের অন্যান্য সেবার মতো একই IAM, বিলিং ও ক্লায়েন্ট লাইব্রেরি ব্যবহার করে। ডেভেলপাররা এটি IVR, অ্যাক্সেসিবিলিটি, মিডিয়া ন্যারেশন বা আগে থেকেই Google Cloud-এ চলা যেকোনো পণ্যে ব্যবহার করেন।

Google TTS ভয়েস টায়ার ও ২০২৬ সালের দাম

গুগল ভয়েসের ধরন অনুযায়ী প্রতি ১০ লাখ অক্ষরে দাম নির্ধারণ করে। উচ্চতর টায়ারগুলো সাধারণত বেশি স্বাভাবিক শোনায়, আর খরচও বেশি:

ফ্রি টায়ার শেষ হলে বিলিং পে-অ্যাজ-ইউ-গো ভিত্তিতে চলে। প্রোটোটাইপের জন্য ফ্রি বরাদ্দ বেশ উদার, তবে এটি প্রতি মাসে রিসেট হয়। তাই শুধু ট্রায়ালের কথা না ভেবে, প্রোডাকশন ভলিউম ধরেই পরিকল্পনা করুন।

Google TTS API কল করার পদ্ধতি

1. Google Cloud প্রজেক্ট তৈরি করুন এবং Text-to-Speech API চালু করুন।
2. সার্ভিস অ্যাকাউন্ট কী বা Application Default Credentials দিয়ে প্রমাণীকরণ করুন।
3. texttospeech.googleapis.com/v1/text:synthesize
4. REST বা gRPC দিয়ে কল করুন, অথবা অফিসিয়াল Python, Node, Java, বা Go ক্লায়েন্ট লাইব্রেরি ব্যবহার করুন।
5. input
6. (টেক্সট বা SSML),
7. voice
8. (ভাষা কোড ও নাম), এবং
9. audioConfig
10. (এনকোডিং, স্পিকিং রেট, পিচ) পাঠান। আপনি বেস৬৪ অডিও পাবেন।

সেটআপটি স্ট্যান্ডার্ড GCP ধরনের; আপনি যদি আগে থেকেই Google Cloud ব্যবহার করেন, তাহলে সুবিধা হবে, না হলে একটু বাড়তি ঝামেলা পোহাতে হতে পারে।

কখন বিকল্প বিবেচনা করবেন

Google TTS নির্ভরযোগ্য এবং বিস্তৃতভাবে সমর্থিত, বিশেষ করে GCP ব্যবহারকারীদের জন্য। তবে দুটি বিষয় অনেক টিমকে বিকল্প খুঁজতে উৎসাহিত করে:

• প্রতি ডলারে ভয়েসের মান।
• গুগলের সেরা টায়ারগুলো (Chirp 3 HD $৩০, Studio $১৬০) দ্রুতই ব্যয়বহুল হয়ে যায়, আর স্বাধীন শ্রোতাদের মূল্যায়নেও অন্য মডেল এগিয়ে থাকে।
• Artificial Analysis TTS লিডারবোর্ডে
• SpeechifyAI-এর Simba 3.2 জুলাই ২০২৬-এ #১ ছিল এবং ২৩ সেপ্টেম্বর ২০২৬-এর বোর্ডে উল্লিখিত দুই টায়ারের চেয়েও ওপরে ছিল ($৬-$১০ প্রতি ১০ লাখ অক্ষরে)।
• রিয়েল-টাইম ভয়েস এজেন্ট।
• কথোপকথনভিত্তিক
• ভয়েস এজেন্ট
• -এর জন্য speech-to-text ও LLM দরকার হয়। এগুলো Google TTS-এর সঙ্গে জোড়া লাগালে বিলিং ও লেটেন্সি সামলাতে তিনটি আলাদা সেবার ওপর নির্ভর করতে হয়।

Google TTS-এর বিকল্প হিসেবে SpeechifyAI

• স্বাধীন মূল্যায়নে উচ্চমান।
• Simba 3.2
• জুলাই ২০২৬-এর স্বাধীন Artificial Analysis TTS লিডারবোর্ডে #১ ছিল। ২৩ সেপ্টেম্বর ২০২৬-এর বোর্ডেও এটি শীর্ষ ৫-এ ছিল, ElevenLabs ও OpenAI-এর প্রতিটি মডেলের ওপরে; আর যেগুলো এর ওপরে ছিল, সেগুলোর প্রতিটির দামই বেশি।
• মানের তুলনায় কম খরচ।
• প্রতি ১০ লাখ অক্ষরে $৬ — Google-এর Neural2 ($১৬) এবং Chirp 3 HD ($৩০)-এর চেয়ে কম, অথচ কণ্ঠের মান আরও ভালো।
• দ্রুত প্রথম অডিও।
• Voice Arena-এর US English বোর্ডের ১৪টি মডেলের মধ্যে সর্বনিম্ন গড় সময় (১২৩ মি.সে., ২৪ সেপ্টেম্বর ২০২৬), সত্যিকারের স্ট্রিমিং, ৯০০+ কণ্ঠস্বর এবং ৬টি স্ব-সার্ভ ভাষা (অনুরোধে ৪৮)।
• আপনার স্ট্যাকে ভয়েস এজেন্ট।
• STT + LLM + TTS প্রয়োজন হলে,
• LiveKit
• ,
• Pipecat
• , বা
• Vapi
• -তে SpeechifyAI-কে ভয়েস হিসেবে যুক্ত করুন।

SpeechifyAI হলো Speechify-এর ডেভেলপার প্ল্যাটফর্ম, যা কনজিউমার Speechify অ্যাপ থেকে আলাদা।

শুরু করুন

মাত্র কয়েক লাইনের কোডেই Google-এর সঙ্গে তুলনা করে দেখুন: speechify.ai-এ ফ্রি SpeechifyAI API কী নিন, প্রতি মাসে ৫ লাখ অক্ষর পান, আর quickstart দিয়ে আপনার প্রথম অনুরোধ পাঠান।