Gemini 3.1 Flash TTS API

Zurelay facture $0.60 par 1M tokens de texte en entrée et $12.00 par 1M tokens audio en sortie. Les prix catalogue de Google sont de $1.00 et $20.00, soit une économie de 40%. Gemini 3.1 Flash TTS compte 32 tokens audio par seconde de parole, soit 1,920 par minute. Une minute coûte donc environ $0.023, plus le texte envoyé. Les requêtes qui échouent ne coûtent rien.

Créez une clé API Zurelay, définissez l'URL de base du SDK sur https://api.zurelay.com/v1 et appelez client.audio.speech.create avec model défini sur gemini-3.1-flash-tts, une voix, votre texte en input et, si vous le souhaitez, des instructions. La réponse est le fichier audio lui-même : enregistrez-le avec write_to_file en Python, ou écrivez ses octets dans un fichier en Node. Pour essayer d'abord les voix et les styles, utilisez le mode Speech du Playground sur https://zurelay.com/app/playground.

Les 30 voix prédéfinies de Gemini sont disponibles, dont Kore, Puck, Charon, Leda, Aoede et Sulafat, avec Kore par défaut. Les noms de voix OpenAI fonctionnent aussi et correspondent à une voix Gemini au caractère similaire : alloy utilise Kore, nova utilise Leda, onyx utilise Orus et shimmer utilise Callirrhoe. La documentation vocale sur https://zurelay.com/docs/speech répertorie toutes les voix avec le caractère que Google leur attribue.

Décrivez ce que vous souhaitez dans instructions, avec des mots simples, comme si vous guidiez un comédien de doublage : "Parlez d'un ton joyeux", "Chuchotez" ou "Lisez lentement, comme une histoire avant de dormir". Le champ instructions accepte jusqu'à 2,000 caractères et son contenu n'est pas lu à voix haute. Google recommande de demander un accent de cette façon plutôt que de se fier à la langue. speed n'accepte que 1, alors précisez aussi le rythme dans instructions.

Oui. Insérez-les entre crochets dans input, à l'endroit exact où le changement doit se produire, par exemple [whispers] avant un secret ou [short pause] avant une révélation. Zurelay transmet votre texte au modèle tel quel, balises comprises. Google répertorie plus de 200 balises, dont [excitement], [curiosity], [slow], [fast] et [laughs]. Les balises sont en anglais, et Google demande de placer du texte ou de la ponctuation entre deux balises. Pour les textes longs, Google suggère de laisser Gemini 3.1 Flash-Lite ajouter les balises pour vous.

Plus de 70, selon Google. Aucun réglage de langue n'est nécessaire : la langue est détectée à partir du texte, donc une phrase en espagnol est prononcée en espagnol. Les balises audio restent en anglais et peuvent être associées à du texte dans d'autres langues.

Chaque requête accepte jusqu'à 5,000 caractères dans input et 2,000 dans instructions ; répartissez les textes plus longs sur plusieurs requêtes. L'audio est renvoyé en MP3 par défaut. Vous pouvez aussi définir response_format sur wav, ou sur pcm pour obtenir des échantillons bruts en mono 24 kHz, 16-bit. Google indique une limite d'entrée de 8,192 tokens pour le modèle. Zurelay ne conserve pas l'audio, alors enregistrez le fichier reçu.

Pas en une seule requête sur Zurelay. L'API de Google peut générer un dialogue à plusieurs voix en un seul appel, mais sur Zurelay, chaque requête utilise une seule voix. Pour un dialogue, générez chaque réplique avec sa propre voix, puis assemblez les fichiers audio dans l'ordre ; le PCM brut est le plus simple à assembler.

Une phrase prend généralement quelques secondes, et un paragraphe environ 15 secondes. Le fichier entier est renvoyé en une seule réponse : l'API de Google peut diffuser l'audio de 3.1 Flash TTS au fil de sa génération, mais le streaming n'est pas disponible sur Zurelay. Pour un assistant vocal, envoyez une phrase à la fois afin que la lecture commence plus vite.

Oui. Google l'a lancé en version préliminaire le 15 avril 2026 et n'a annoncé aucune date d'arrêt. Sur Zurelay, l'identifiant Google gemini-3.1-flash-tts-preview fonctionne, tout comme gemini-3.1-flash-tts.

Oui. Vos requêtes sont traitées par Gemini 3.1 Flash TTS de Google, et Zurelay ne le remplace pas par un autre modèle ou un modèle plus petit. La voix est générée à nouveau à chaque appel : un même texte lu avec la même voix produit donc une interprétation légèrement différente à chaque fois. Google applique à tous les fichiers audio du modèle SynthID, un filigrane imperceptible qui permet de les identifier comme générés par l'IA. Zurelay est un service indépendant, non affilié à Google.