Gemini 2.5 Pro TTS API

Zurelay berechnet $0.60 pro 1M Tokens für Text und $12.00 pro 1M Tokens für Audio. Googles Listenpreise liegen bei $1.00 und $20.00 – du sparst also 40%. Gemini 2.5 Pro TTS zählt 25 Audio-Tokens pro Sekunde Sprachausgabe, also 1,500 pro Minute. Eine Minute kostet damit etwa $0.018 plus den gesendeten Text. 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-pro-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 den gewünschten Stil in instructions mit einfachen Worten: „Sprich fröhlich“, „Klinge düster und ernst“ oder „Lies langsam vor, wie eine Gutenachtgeschichte“. Seit Googles Upgrade im Dezember 2025 folgt das Modell Stilvorgaben deutlich genauer und setzt Tempovorgaben präziser um. Anweisungen dürfen bis zu 2,000 Zeichen lang sein und werden 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.

Nicht in einer einzigen Anfrage über Zurelay. Googles eigene API kann in einem Aufruf eine oder zwei Personen sprechen lassen, aber bei Zurelay hat jede Anfrage nur eine Stimme. Für einen Dialog oder Podcast erstellst du jede Zeile mit der passenden Stimme und fügst die Audiodateien der Reihe nach zusammen; rohes PCM lässt sich am einfachsten verbinden.

Länger als die Flash-Modelle: Bei Zurelay dauert ein Satz mehrere Sekunden, ein Absatz eher eine halbe Minute. Die gesamte Datei kommt in einer Antwort zurück. Das eignet sich besser für vorproduzierte Vertonungen als für Live-Gespräche. Für schnellere Antworten nutze Gemini 2.5 Flash TTS oder Gemini 3.1 Flash TTS.

Google gibt für beide dieselben Tokenpreise an. Wähle 2.5 Pro TTS für längere Vertonungen, bei denen es besonders auf eine klare Stimme ankommt. Es zählt außerdem weniger Audiotokens pro Sekunde – 25 statt 32 bei 3.1 Flash TTS –, sodass eine Minute Sprache weniger Tokens verbraucht. Wähle 3.1 Flash TTS für Audio-Tags, mehr als 70 Sprachen und schnellere Antworten. Beide nutzen dieselbe Anfrage; zum Wechseln musst du nur model ändern.

Ja. Google hat es am May 20, 2025 als Preview veröffentlicht und am December 10, 2025 aktualisiert. Google hat kein Abschaltdatum angekündigt. Bei Zurelay funktioniert Googles ID gemini-2.5-pro-preview-tts genauso wie gemini-2.5-pro-tts.

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