Gemini 2.5 Flash TTS API

Zurelay cobra $0.30 por 1M de tokens de texto de entrada y $6.00 por 1M de tokens de audio de salida. El precio de lista de Google es $0.50 y $10.00, así que ahorras 40%. Gemini 2.5 Flash TTS cuenta 25 tokens de audio por cada segundo de voz, 1,500 por minuto, así que un minuto cuesta unos $0.009 más el texto que envías. Las solicitudes que fallan no cuestan nada.

Crea una clave de API de Zurelay, establece la URL base del SDK en https://api.zurelay.com/v1 y llama a client.audio.speech.create con model establecido en gemini-2.5-flash-tts, una voice, tu texto como input y, si quieres, instructions. La respuesta es el propio archivo de audio: guárdalo con write_to_file en Python o escribe sus bytes en un archivo en Node. Para probar antes las voces y los estilos, usa el modo Speech del Playground en https://zurelay.com/app/playground.

Las 30 voces predefinidas de Gemini, como Kore, Puck, Charon, Leda, Aoede y Sulafat, con Kore como predeterminada. Los nombres de voz de OpenAI también funcionan y se asignan a una voz de Gemini de carácter similar: alloy habla como Kore, nova como Leda, onyx como Orus y shimmer como Callirrhoe. La documentación de voz en https://zurelay.com/docs/speech incluye cada voz con el carácter que le atribuye Google.

Descríbelo en las instrucciones, con palabras sencillas: "Dilo con alegría", "Habla rápido y con energía" o "Lee despacio, como un cuento para dormir". Desde la actualización de Google de diciembre de 2025, el modelo se ciñe más a las indicaciones de estilo y a las instrucciones explícitas de ritmo. Las instrucciones pueden ocupar hasta 2,000 caracteres y no se leen en voz alta. speed solo acepta 1, así que pide el ritmo en las instrucciones.

Google lista 24 idiomas compatibles. No hay ajuste de idioma: el idioma se detecta a partir del texto, así que una frase en español se pronuncia en español. Para más de 70 idiomas, usa Gemini 3.1 Flash TTS con la misma solicitud.

Cada solicitud admite hasta 5,000 caracteres de input y 2,000 de instructions; divide los textos más largos en varias solicitudes. El audio llega en MP3 de forma predeterminada, o configura response_format en wav, o en pcm para muestras sin comprimir de 24 kHz, 16 bits y mono. Google indica un límite de entrada de 8,192 tokens para el modelo. Zurelay no almacena el audio, así que guarda el archivo que recibas.

Es el más rápido de los modelos de voz de Gemini en Zurelay: una frase corta suele volver en unos segundos y un párrafo en unos 15 segundos. El archivo completo llega en una sola respuesta, así que, para un asistente de voz, envía una frase cada vez y reproduce cada una en cuanto llegue.

En Zurelay no, no en una sola solicitud. La API de Google puede poner voz a uno o dos hablantes en una misma llamada, pero Zurelay reproduce cada solicitud con una sola voz. Para un diálogo, genera cada línea con su propia voz y une el audio en orden; el PCM sin procesar es el más fácil de unir.

Elige 2.5 Flash TTS por el precio más bajo y las respuestas cortas más rápidas; Google lo anuncia a la mitad del precio de 3.1 Flash TTS. Elige 3.1 Flash TTS por las etiquetas de audio, que cambian la forma de hablar a mitad de frase, y por más de 70 idiomas en lugar de 24. Los dos aceptan la misma solicitud, así que cambiar de uno a otro es solo cambiar model.

Sí. Google lo publicó en versión preview el 20 de mayo de 2025 y lo actualizó el 10 de diciembre de 2025. Google no ha anunciado ninguna fecha de cierre. En Zurelay, el ID de Google, gemini-2.5-flash-preview-tts, funciona igual que gemini-2.5-flash-tts.

Sí. Tus solicitudes se ejecutan en el Gemini 2.5 Flash TTS de Google, y Zurelay no las desvía a un modelo distinto ni más pequeño. La voz se genera de cero en cada llamada, así que el mismo texto y la misma voz dan una lectura ligeramente distinta cada vez. Zurelay es un servicio independiente y no está afiliado a Google.