Gemini 3.8 Flash TTS API

Zurelay cobra $0.30 por 1M de tokens de texto de entrada y $5.40 por 1M de tokens de audio de salida. El precio de lista de Google es $0.50 y $9.00, así que ahorras 40%. Gemini 3.8 Flash TTS cuenta 25 tokens de audio por cada segundo de voz, 1,500 por minuto, así que un minuto cuesta unos $0.008 más el texto que envías. El precio de Google se duplica el 1 de enero de 2027, y el de Zurelay lo sigue. 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-3.8-flash-tts, una voice y tu texto como input. No incluyas instructions: este modelo lee todo lo que recibe. 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, usa el modo Speech del Playground en https://zurelay.com/app/playground.

En Zurelay, no. Google lo diseñó para leer su entrada palabra por palabra, así que una indicación como “Di con alegría:” dentro del texto se pronunciaría, y la propia API de Google acepta un estilo sostenido en un campo aparte que Zurelay no transmite. Una solicitud con instrucciones se rechaza con un error unsupported_parameter en lugar de leerlas en voz alta. Usa etiquetas vocales en el texto para sonidos puntuales, o Gemini 3.1 Flash TTS para un estilo descrito en lenguaje natural.

Google documents angle-bracket tags for momentary sounds: <laugh>, <sigh>, <cough>, <breath> y <short pause>. Write them in input exactly where the sound should happen, such as "That's the best news all week. <laugh> Really." Zurelay sends your text a the model as written, tags included.

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 Biblioteca de Voces Ampliada de Google, con más de 2,000 voces, el diseño de voces y la replicación de voces no están disponibles a través de Zurelay.

Más de 130, según Google, frente a más de 70 de Gemini 3.1 Flash TTS. No hay ajuste de idioma: el idioma se detecta a partir del texto, así que una frase en español se pronuncia en español.

Cada solicitud admite hasta 5,000 caracteres de entrada; divide los textos más largos en varias solicitudes. El audio vuelve en MP3 por defecto, o ajusta response_format a wav, o a pcm para muestras mono de 16 bits a 24 kHz en bruto. Google indica un límite de entrada de 8,192 tokens y un límite de salida de 16,384 para el modelo. Zurelay no almacena el audio, así que guarda el archivo que recibes.

No en una sola solicitud en Zurelay. La API propia de Google puede poner voz a un diálogo con varios hablantes en una sola llamada, pero Zurelay reproduce cada solicitud con una única voz. Para un diálogo, genera cada línea con su propia voz y une el audio en orden; el PCM sin comprimir es lo más sencillo de unir.

Una frase o un párrafo corto suele tardar entre 6 y 9 segundos, y el archivo completo vuelve en una sola respuesta. Para un asistente de voz, envía una frase cada vez para que la reproducción empiece antes.

Sí. Google lo lanzó en versión preliminar en septiembre de 2026 (su documentación de Cloud indica el 28 de septiembre) y no ha anunciado fecha de cierre.

Sí. Tus solicitudes se ejecutan en Gemini 3.8 Flash TTS de Google, y Zurelay no cambia a un modelo distinto ni más pequeño. El audio se genera de nuevo 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.