Sprache

Text-zu-Sprache

Wandle Text mit den Text-to-Speech-Modellen von Gemini über die Speech-API von OpenAI in natürlich klingende Sprache um: 30 Stimmen, ein frei beschreibbarer Sprechstil und Audio als MP3, WAV oder PCM in wenigen Sekunden.

POST/v1/audio/speech
ModellIDTexteingabe, pro 1M TokensAudioausgabe, pro 1M TokensAudio-Tokens pro SekundeEtwa eine Minute
Gemini 3.8 Flash TTSgemini-3.8-flash-tts$0.30$5.4025$0.008
Gemini 3.1 Flash TTSgemini-3.1-flash-tts$0.60$12.0032$0.023
Gemini 2.5 Pro TTSgemini-2.5-pro-tts$0.60$12.0025$0.018
Gemini 2.5 Flash TTSgemini-2.5-flash-tts$0.30$6.0025$0.009

Sprache erzeugen

from openai import OpenAI
client = OpenAI(base_url="https://api.zurelay.com/v1", api_key="YOUR_ZURELAY_KEY")
speech = client.audio.speech.create(
    model="gemini-3.1-flash-tts",
    voice="Kore",
    input="Your order has shipped and arrives on Friday.",
    instructions="Say it warmly, at a relaxed pace",
)
speech.write_to_file("shipped.mp3")

Jedes OpenAI SDK funktioniert: Setze die Basis-URL auf https://api.zurelay.com/v1 und rufe die Speech-Methode auf. Die Antwort ist direkt die Audiodatei.

Parameter

modelstringerforderlich
Eine Sprachmodell-ID aus der Tabelle.
inputstringerforderlich
Der Text, der gesprochen werden soll, mit bis zu 5,000 Zeichen. Teile längere Texte auf mehrere Anfragen auf.
voicestring
Eine der 30 Stimmen unten oder ein OpenAI-Stimmenname wie alloy oder nova. Standard: Kore.
instructionsstring
Beschreibe in einfachen Worten, wie der Text gesprochen werden soll: Say cheerfully, Whisper, like a secret, Read slowly, like a bedtime story. Bis zu 2,000 Zeichen. Nicht verfügbar für Gemini 3.8 Flash TTS: Das Modell liest den Text Wort für Wort vor und lehnt Anfragen mit Anweisungen ab.
response_formatstring
mp3 (Standard), wav oder pcm: rohe Samples mit 24 kHz, 16-bit, Mono.
speednumber
Nicht unterstützt: Gib das Sprechtempo stattdessen in instructions an. Nur 1 wird akzeptiert.
modelsarray
Intelligentes Routing für diese Anfrage: andere Sprachmodelle, die der Reihe nach versucht werden, falls das Modell nicht verfügbar ist. Siehe Intelligentes Routing.
Die Audiodatei wird erst zurückgegeben, wenn sie vollständig erzeugt wurde. Bei maximaler Länge (5,000 Zeichen) brauchen die Flash-Modelle etwa eine Minute, Gemini 2.5 Pro TTS etwa fünfeinhalb Minuten. Setze für deinen HTTP-Client ein Timeout von 10 Minuten (der Standard der OpenAI SDKs) oder sende lange Texte in mehreren Teilen.

Stimmen

StimmeKlangStimmeKlang
ZephyrHellPuckFröhlich
CharonSachlichKoreBestimmt
FenrirAufgeregtLedaJugendlich
OrusBestimmtAoedeSchwungvoll
CallirrhoeEasy-goingAutonoeHell
EnceladusHauchigIapetusLeeren
UmbrielEasy-goingAlgiebaGeschmeidig
DespinaGeschmeidigErinomeLeeren
AlgenibRauRasalgethiSachlich
LaomedeiaFröhlichAchernarSanft
AlnilamBestimmtSchedarGleichmäßig
GacruxReifPulcherrimaDirekt
AchirdFreundlichZubenelgenubiLocker
VindemiatrixBehutsamSadachbiaLebhaft
SadaltagerSachkundigSulafatWarm

Dein Code für OpenAI funktioniert weiter: Die Stimmennamen werden einer ähnlich klingenden Gemini-Stimme zugeordnet.

OpenAI-StimmeKlingt wie
alloyKore
ashCharon
balladAlgieba
coralAoede
echoPuck
fableFenrir
novaLeda
onyxOrus
sageZephyr
shimmerCallirrhoe
verseUmbriel
marinDespina
cedarIapetus

Sprechstil und Tempo

  • Beschreibe die Sprechweise wie für eine Sprecherin oder einen Sprecher: Stimmung, Tempo, Lautstärke und Akzent.
  • Schreibe die Sprechanweisung in instructions und nur den gesprochenen Text in input, damit die Anweisung nicht vorgelesen wird.
  • Die Sprache wird am Text erkannt: Ein spanischer Satz wird auf Spanisch gesprochen.
  • Gemini 3.8 Flash TTS akzeptiert kein instructions: Es liest jedes Wort in input vor. Setze die Sprach-Tags von Google an die passende Stelle im Text, etwa <laugh>, <sigh>, <breath> oder <short pause>.

Abrechnung für Sprachausgabe

Sprachausgabe wird nach Tokens abgerechnet: Dein gesendeter Text zum Eingabepreis, das zurückgegebene Audio zum Ausgabepreis. Jede Sekunde Audio entspricht einer festen Anzahl von Tokens. Die Tabelle zeigt diesen Wert für jedes Modell; in der letzten Spalte steht der Preis pro Minute. Die Header x-zurelay-input-tokens und x-zurelay-output-tokens jeder Antwort zeigen, was abgerechnet wurde, und jede Anfrage steht in deinem Anfrageprotokoll. Fehlgeschlagene Anfragen kosten nichts. Sprachausgabe bleibt beim angefragten Modell, auch mit automatischem Smart Routing. Nur deine eigenen Regeln oder die models-Liste einer Anfrage können bei einem Ausfall ein anderes Sprachmodell antworten lassen: x-zurelay-model nennt dieses Modell, und abgerechnet wird zu dessen Preis.

Sprachausgabe wird nicht gespeichert: Speichere die zurückgegebene Datei. Derselbe Text mit derselben Stimme klingt jedes Mal etwas anders.

Probiere Stimmen und Sprechstile im Playground des Dashboards aus.

Fragen oder fehlt etwas? Frag unser Support-Team und wir antworten per E-Mail, meist innerhalb einer Minute.