Gemini 2.5 Flash TTS API

Zurelay berechnet $0.30 pro 1M Input-Tokens und $6.00 pro 1M Audio-Output-Tokens. Googles Listenpreise liegen bei $0.50 und $10.00 – du sparst also 40%. Gemini 2.5 Flash TTS zählt 25 Audio-Tokens pro Sekunde Sprache, also 1,500 pro Minute. Eine Minute kostet damit etwa $0.009 zuzüglich des gesendeten Texts. Fehlgeschlagene Anfragen kosten nichts.

Erstelle einen Zurelay API-Key, setze die Base-URL des SDK auf https://api.zurelay.com/v1 und rufe client.audio.speech.create auf, mit model gemini-2.5-flash-tts, einer Stimme, deinem Text als input und, wenn du magst, instructions. Die Antwort ist die Audiodatei selbst: Speichere sie in Python mit write_to_file oder schreibe ihre Bytes in Node in eine Datei. Um Stimmen und Stile vorher auszuprobieren, nutze den Speech-Modus im Playground unter https://zurelay.com/app/playground.

Alle 30 vorgefertigten Stimmen von Gemini, darunter Kore, Puck, Charon, Leda, Aoede und Sulafat. Standard ist Kore. Auch OpenAI-Stimmennamen funktionieren und werden einer ähnlich klingenden Gemini-Stimme zugeordnet: alloy wird zu Kore, nova zu Leda, onyx zu Orus und shimmer zu Callirrhoe. Unter https://zurelay.com/docs/speech findest du alle Stimmen mit den Beschreibungen von Google.

Beschreibe es in instructions mit einfachen Worten: „Sprich fröhlich“, „Sprich schnell und lebhaft“ oder „Lies langsam vor, wie eine Gutenachtgeschichte“. Seit Googles Upgrade im Dezember 2025 hält sich das Modell genauer an Stilvorgaben und ausdrückliche Anweisungen zum Sprechtempo. instructions darf bis zu 2,000 Zeichen lang sein und wird nicht vorgelesen. speed akzeptiert nur 1 – gib das gewünschte Tempo daher in instructions an.

Google nennt 24 unterstützte Sprachen. Eine Spracheinstellung gibt es nicht: Die Sprache wird am Text erkannt, ein spanischer Satz also auf Spanisch gesprochen. Für mehr als 70 Sprachen nutze Gemini 3.1 Flash TTS mit derselben Anfrage.

Pro Anfrage sind bis zu 5,000 Zeichen in input und 2,000 Zeichen in instructions möglich. Teile längere Texte auf mehrere Anfragen auf. Das Audio kommt standardmäßig als MP3 zurück. Setze response_format auf wav oder auf pcm für rohe Mono-Samples mit 24 kHz und 16-bit. Google gibt für das Modell ein Input-Limit von 8,192 Tokens an. Zurelay speichert das Audio nicht – speichere die zurückgegebene Datei daher selbst.

Es ist das schnellste Gemini-Sprachmodell auf Zurelay: Ein kurzer Satz ist meist in wenigen Sekunden fertig, ein Absatz in etwa 15 Sekunden. Die gesamte Datei kommt in einer Antwort zurück. Für einen Sprachassistenten solltest du daher jeweils einen Satz senden und ihn abspielen, sobald er ankommt.

Nicht mit einer einzigen Anfrage auf Zurelay. Googles eigene API kann in einem Aufruf eine oder zwei Stimmen erzeugen, aber Zurelay verwendet pro Anfrage nur eine Stimme. Erzeuge für einen Dialog jede Zeile mit der passenden Stimme und füge die Audiodateien in der richtigen Reihenfolge zusammen. raw PCM lässt sich am einfachsten zusammenfügen.

Wähle 2.5 Flash TTS für den niedrigeren Preis und die schnellsten kurzen Antworten. Google listet es zum halben Preis von 3.1 Flash TTS. Wähle 3.1 Flash TTS für Audio-Tags, mit denen du die Sprechweise mitten im Satz ändern kannst, und für mehr als 70 statt 24 Sprachen. Beide nutzen dieselbe Anfrage – zum Wechseln musst du nur model ändern.

Ja. Google hat es am 20. Mai 2025 als Preview veröffentlicht und am 10. Dezember 2025 aktualisiert. Ein Abschaltdatum hat Google nicht angekündigt. Auf Zurelay funktioniert Googles ID gemini-2.5-flash-preview-tts genauso wie gemini-2.5-flash-tts.

Ja. Deine Anfragen laufen über Googles Gemini 2.5 Flash TTS. Zurelay ersetzt es nicht durch ein anderes oder kleineres Modell. Die Sprache wird bei jedem Aufruf neu erzeugt, deshalb klingen derselbe Text und dieselbe Stimme jedes Mal etwas anders. Zurelay ist ein unabhängiger Dienst und nicht mit Google verbunden.