Voix

Synthèse vocale

Transformez du texte en voix naturelle avec les modèles de synthèse vocale de Gemini, via l’API de synthèse vocale d’OpenAI : 30 voix, un style décrit avec vos propres mots et un fichier MP3, WAV ou PCM en quelques secondes.

POST/v1/audio/speech
ModèleIDTexte en entrée, par 1M tokensAudio en sortie, par 1M tokensTokens audio par secondeEnviron une minute
Gemini 3.8 Flash TTSgemini-3.8-flash-tts$0.30$5.4025$0.008
Gemini 3.1 Flash TTSgemini-3.1-flash-tts$0.60$12.0032$0.023
Gemini 2.5 Pro TTSgemini-2.5-pro-tts$0.60$12.0025$0.018
Gemini 2.5 Flash TTSgemini-2.5-flash-tts$0.30$6.0025$0.009

Générer une voix

from openai import OpenAI
client = OpenAI(base_url="https://api.zurelay.com/v1", api_key="YOUR_ZURELAY_KEY")
speech = client.audio.speech.create(
    model="gemini-3.1-flash-tts",
    voice="Kore",
    input="Your order has shipped and arrives on Friday.",
    instructions="Say it warmly, at a relaxed pace",
)
speech.write_to_file("shipped.mp3")

Tous les SDK OpenAI fonctionnent : configurez l’URL de base sur https://api.zurelay.com/v1 et appelez la méthode de synthèse vocale. La réponse est le fichier audio lui-même.

Paramètres

modelstringrequis
Un identifiant de modèle de synthèse vocale du tableau.
inputstringrequis
Le texte à lire, jusqu’à 5,000 caractères. Découpez les textes plus longs en plusieurs requêtes.
voicestring
L’une des 30 voix ci-dessous, ou un nom de voix OpenAI comme alloy ou nova. Par défaut : Kore.
instructionsstring
La façon de parler, décrite simplement : Say cheerfully, Whisper, like a secret, Read slowly, like a bedtime story. Jusqu’à 2,000 caractères. Non disponible sur Gemini 3.8 Flash TTS, qui lit le texte mot pour mot : les requêtes contenant des instructions sont refusées sur ce modèle.
response_formatstring
mp3 (par défaut), wav ou pcm : échantillons bruts à 24 kHz, 16-bit, mono.
speednumber
Non pris en charge : indiquez plutôt le rythme dans instructions. Seule la valeur 1 est acceptée.
modelsarray
Routage intelligent pour cette requête : autres modèles de synthèse vocale à essayer, dans l’ordre, si le modèle est indisponible. Voir Routage intelligent.
L’audio est renvoyé une fois entièrement généré. Pour un texte de longueur maximale (5,000 caractères), les modèles Flash prennent environ une minute, et Gemini 2.5 Pro TTS environ cinq minutes et demie. Réglez le délai d’expiration de votre client HTTP sur 10 minutes (la valeur par défaut des SDK OpenAI), ou envoyez les textes longs en plusieurs parties.

Voix

VoixCaractèreVoixCaractère
ZephyrLumineusePuckEnjouée
CharonInformativeKoreFerme
FenrirEnthousiasteLedaJuvénile
OrusFermeAoedeLégère
CallirrhoeEasy-goingAutonoeLumineuse
EnceladusSouffléeIapetusEffacer
UmbrielEasy-goingAlgiebaVeloutée
DespinaVeloutéeErinomeEffacer
AlgenibRocailleuseRasalgethiInformative
LaomedeiaEnjouéeAchernarDouce
AlnilamFermeSchedarPosée
GacruxMaturePulcherrimaAffirmée
AchirdAmicaleZubenelgenubiDécontractée
VindemiatrixDélicateSadachbiaVive
SadaltagerExperteSulafatChaleureuse

Le code écrit pour OpenAI continue de fonctionner : ses noms de voix correspondent à des voix Gemini au caractère similaire.

Voix OpenAIVoix utilisée
alloyKore
ashCharon
balladAlgieba
coralAoede
echoPuck
fableFenrir
novaLeda
onyxOrus
sageZephyr
shimmerCallirrhoe
verseUmbriel
marinDespina
cedarIapetus

Style et rythme

  • Décrivez l’interprétation comme vous donneriez des indications à un comédien de doublage : humeur, rythme, volume, accent.
  • Placez les indications dans instructions et uniquement les mots à prononcer dans input, pour éviter que les indications soient lues à voix haute.
  • La langue est détectée à partir du texte : une phrase en espagnol est donc prononcée en espagnol.
  • Gemini 3.8 Flash TTS n’accepte pas de instructions : il lit chaque mot de input à voix haute. Insérez les balises vocales de Google dans le texte à l’endroit où le son doit se produire, par exemple <laugh>, <sigh>, <breath> ou <short pause>.

Facturation de la synthèse vocale

La synthèse vocale est facturée en tokens : le texte envoyé au tarif d’entrée, et l’audio reçu au tarif de sortie. Chaque seconde d’audio correspond à un nombre fixe de tokens, indiqué dans le tableau pour chaque modèle ; la dernière colonne donne donc le coût par minute. Chaque réponse précise les éléments facturés dans ses en-têtes x-zurelay-input-tokens et x-zurelay-output-tokens, et chaque requête figure dans votre journal des requêtes. Les requêtes qui échouent ne coûtent rien. La synthèse vocale utilise toujours le modèle demandé, même avec le routage intelligent automatique. Seules vos propres règles ou la liste models d’une requête peuvent faire appel à un autre modèle vocal si celui-ci est indisponible : x-zurelay-model indique le modèle utilisé, et son tarif s’applique.

L’audio n’est pas stocké : enregistrez le fichier reçu. Un même texte lu par la même voix donne un résultat légèrement différent à chaque fois.

Testez les voix et les styles dans le Playground du tableau de bord.

Une question ou un élément manquant ? Contactez notre équipe d’assistance et nous vous répondrons par e-mail, généralement en moins d’une minute.