Gemini 2.5 Pro TTS API

Zurelay cobra $0.60 por 1M tokens de texto de entrada y $12.00 por 1M tokens de audio de salida. El precio de lista de Google es $1.00 y $20.00, así que ahorras 40%. Gemini 2.5 Pro TTS cuenta 25 tokens de audio por cada segundo de voz, 1,500 por minuto, así que un minuto cuesta unos $0.018 más el texto que envíes. Las solicitudes fallidas 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-pro-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 instructions con palabras sencillas: "Habla con alegría", "Usa un tono sombrío y serio" o "Lee despacio, como si contaras un cuento para dormir". La actualización de Google de diciembre de 2025 hizo que el modelo siguiera mucho mejor los prompts de estilo y las indicaciones de ritmo con mayor precisión. El campo instructions admite hasta 2,000 caracteres y no se lee en voz alta. speed solo acepta 1, así que indica el ritmo en instructions.

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.

No en una sola solicitud en Zurelay. La API propia de Google puede interpretar uno o dos hablantes en una sola llamada, pero Zurelay habla cada solicitud con una sola voz. Para un diálogo o un pódcast, genera cada línea con su propia voz y une el audio en orden; el PCM en bruto es lo más sencillo de unir.

Más que los modelos Flash: en Zurelay una frase tarda varios segundos y un párrafo se acerca a medio minuto. El archivo completo llega en una sola respuesta, así que encaja mejor en narración preparada de antemano que en conversación en vivo. Para respuestas más rápidas, usa Gemini 2.5 Flash TTS o Gemini 3.1 Flash TTS.

Google lista ambos con los mismos precios por token. Elige 2.5 Pro TTS para narraciones largas en las que la claridad de la voz sea lo más importante; además, cuenta menos tokens de audio por segundo, 25 frente a los 32 de 3.1 Flash TTS, así que un minuto de voz consume menos tokens. Elige 3.1 Flash TTS para las etiquetas de audio, más de 70 idiomas y respuestas más rápidas. Ambos aceptan la misma solicitud, así que cambiar supone solo cambiar el modelo.

Sí. Google lo lanzó en 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-pro-preview-tts, funciona igual que gemini-2.5-pro-tts.

Sí. Tus solicitudes se ejecutan en el Gemini 2.5 Pro TTS de Google, y Zurelay no mete otro 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.