Gemini 3.1 Flash TTS API

Zurelay berechnet $0.60 pro 1M Tokens Eingabetext und $12.00 pro 1M Tokens ausgegebenes Audio. Googles Listenpreise liegen bei $1.00 und $20.00 – du sparst also 40%. Gemini 3.1 Flash TTS zählt 32 Audio-Tokens pro Sekunde Sprache, also 1,920 pro Minute. Eine Minute kostet damit etwa $0.023 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-3.1-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, als würdest du einem Sprecher Anweisungen geben: „Sprich fröhlich“, „Flüstere“ oder „Lies langsam, wie eine Gutenachtgeschichte“. instructions darf bis zu 2,000 Zeichen lang sein und wird nicht vorgelesen. Google empfiehlt, einen Akzent auf diese Weise anzufordern, statt sich auf die Sprache zu verlassen. speed akzeptiert nur 1, also gib auch das Tempo in instructions an.

Ja. Setze sie in eckige Klammern innerhalb von input, genau an die Stelle, an der sich die Sprechweise ändern soll – zum Beispiel [whispers] vor einem Geheimnis oder [short pause] vor einer Enthüllung. Zurelay sendet deinen Text einschließlich der Tags unverändert an das Modell. Google listet mehr als 200 Tags auf, darunter [excitement], [curiosity], [slow], [fast] und [laughs]. Die Tags sind auf Englisch; Google empfiehlt, zwischen zwei Tags Text oder ein Satzzeichen zu setzen. Bei langen Texten empfiehlt Google, die Tags von Gemini 3.1 Flash-Lite einfügen zu lassen.

Laut Google mehr als 70. Es gibt keine Spracheinstellung: Die Sprache wird am Text erkannt, ein spanischer Satz also auf Spanisch gesprochen. Audio-Tags bleiben auf Englisch und lassen sich mit Text in anderen Sprachen kombinieren.

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 einen Dialog mit mehreren Sprechern in einem Aufruf vertonen, bei Zurelay verwendet jede Anfrage aber nur eine Stimme. Erzeuge für einen Dialog jede Zeile mit der passenden Stimme und füge die Audiodateien in der richtigen Reihenfolge zusammen. Rohes PCM lässt sich am einfachsten zusammenfügen.

Ein Satz dauert meist ein paar Sekunden, ein Absatz etwa 15 Sekunden. Die gesamte Datei kommt in einer Antwort zurück: Googles eigene API kann Audio von 3.1 Flash TTS schon während der Erzeugung streamen, über Zurelay ist Streaming aber nicht verfügbar. Sende für einen Sprachassistenten jeweils einen Satz, damit die Wiedergabe früher beginnen kann.

Ja. Google hat es am 15. April 2026 als Preview veröffentlicht und kein Datum für die Einstellung angekündigt. Auf Zurelay funktioniert Googles ID gemini-3.1-flash-tts-preview ebenso wie gemini-3.1-flash-tts.

Ja. Deine Anfragen laufen über Googles Gemini 3.1 Flash TTS. Zurelay ersetzt es nicht durch ein anderes oder kleineres Modell. Die Sprache wird bei jedem Aufruf neu erzeugt, deshalb klingt derselbe Text mit derselben Stimme jedes Mal etwas anders. Google versieht jedes Audio des Modells mit SynthID, einer nicht wahrnehmbaren Markierung, die es als KI-generiert kennzeichnet. Zurelay ist ein unabhängiger Dienst und nicht mit Google verbunden.