आवाज़

टेक्स्ट से आवाज़

OpenAI के स्पीच API के ज़रिए Gemini के टेक्स्ट-टू-स्पीच मॉडल से टेक्स्ट को स्वाभाविक आवाज़ में बदलें: 30 आवाज़ें, बोलने का अंदाज़ अपने शब्दों में बताने की सुविधा, और कुछ ही सेकंड में MP3, WAV या PCM ऑडियो.

POST/v1/audio/speech

मॉडल	ID	टेक्स्ट इनपुट, प्रति 1M टोकन	ऑडियो आउटपुट, प्रति 1M टोकन	प्रति सेकंड ऑडियो टोकन	लगभग एक मिनट
Gemini 3.8 Flash TTS	`gemini-3.8-flash-tts`	$0.30	$5.40	25	$0.008
Gemini 3.1 Flash TTS	`gemini-3.1-flash-tts`	$0.60	$12.00	32	$0.023
Gemini 2.5 Pro TTS	`gemini-2.5-pro-tts`	$0.60	$12.00	25	$0.018
Gemini 2.5 Flash TTS	`gemini-2.5-flash-tts`	$0.30	$6.00	25	$0.009

आवाज़ बनाएँ

speak.py

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")

कोई भी OpenAI SDK काम करेगा: उसे https://api.zurelay.com/v1 पर सेट करें और उसका स्पीच मेथड कॉल करें. जवाब में सीधे ऑडियो फ़ाइल मिलती है.

पैरामीटर

modelstringज़रूरी: टेबल में दिया गया कोई स्पीच मॉडल ID.
inputstringज़रूरी: बोला जाने वाला टेक्स्ट, ज़्यादा से ज़्यादा 5,000 वर्ण. लंबे टेक्स्ट को कई अनुरोधों में बाँटें.
voicestring: नीचे दी गई 30 आवाज़ों में से कोई एक, या OpenAI की किसी आवाज़ का नाम, जैसे alloy या nova. डिफ़ॉल्ट Kore.
instructionsstring: कैसे बोलना है, अपने शब्दों में बताएँ: Say cheerfully, Whisper, like a secret, Read slowly, like a bedtime story. ज़्यादा से ज़्यादा 2,000 वर्ण. Gemini 3.8 Flash TTS पर यह सुविधा नहीं है, क्योंकि वह टेक्स्ट को शब्दशः पढ़ता है: निर्देशों वाले अनुरोध वहाँ अस्वीकार कर दिए जाते हैं.
response_formatstring: mp3 (डिफ़ॉल्ट), wav, या pcm: रॉ 24 kHz, 16-bit, मोनो सैंपल.
speednumber: यह सुविधा उपलब्ध नहीं है: इसके बजाय instructions में बोलने की रफ़्तार बताएँ. केवल 1 स्वीकार किया जाता है.
modelsarray: इस अनुरोध के लिए स्मार्ट रूटिंग: मॉडल उपलब्ध न होने पर जिन दूसरे स्पीच मॉडल को क्रम से आज़माना है. स्मार्ट रूटिंग देखें.

पूरा ऑडियो बनने के बाद ही मिलता है. पूरी लंबाई (5,000 वर्ण) पर मापने पर: Flash मॉडल को लगभग एक मिनट और Gemini 2.5 Pro TTS को लगभग साढ़े पाँच मिनट लगते हैं. अपने HTTP क्लाइंट का टाइमआउट 10 मिनट रखें (OpenAI के SDK में यही डिफ़ॉल्ट है), या लंबे टेक्स्ट को हिस्सों में भेजें.

आवाज़ें

आवाज़	आवाज़ का अंदाज़	आवाज़	आवाज़ का अंदाज़
`Zephyr`	चमकदार	`Puck`	खुशमिज़ाज
`Charon`	जानकारीपूर्ण	`Kore`	दृढ़
`Fenrir`	जोशीली	`Leda`	युवा
`Orus`	दृढ़	`Aoede`	हल्की-फुल्की
`Callirrhoe`	Easy-going	`Autonoe`	चमकदार
`Enceladus`	साँसों वाली आवाज़	`Iapetus`	साफ़ करें
`Umbriel`	Easy-going	`Algieba`	सहज
`Despina`	सहज	`Erinome`	साफ़ करें
`Algenib`	खुरदरी	`Rasalgethi`	जानकारीपूर्ण
`Laomedeia`	खुशमिज़ाज	`Achernar`	मुलायम
`Alnilam`	दृढ़	`Schedar`	एकसार
`Gacrux`	परिपक्व	`Pulcherrima`	मुखर
`Achird`	दोस्ताना	`Zubenelgenubi`	अनौपचारिक
`Vindemiatrix`	सौम्य	`Sadachbia`	जीवंत
`Sadaltager`	जानकार	`Sulafat`	गर्मजोशी भरी

OpenAI के लिए लिखा गया कोड पहले की तरह काम करता रहेगा: उसकी आवाज़ों के नाम, मिलते-जुलते अंदाज़ वाली Gemini की आवाज़ों से मैप होते हैं.

OpenAI की आवाज़	बोलने की आवाज़
`alloy`	Kore
`ash`	Charon
`ballad`	Algieba
`coral`	Aoede
`echo`	Puck
`fable`	Fenrir
`nova`	Leda
`onyx`	Orus
`sage`	Zephyr
`shimmer`	Callirrhoe
`verse`	Umbriel
`marin`	Despina
`cedar`	Iapetus

अंदाज़ और रफ़्तार

बोलने का तरीका वैसे समझाएँ जैसे आप किसी वॉइस ऐक्टर को बताते हैं: भाव, रफ़्तार, आवाज़ की ऊँचाई और लहजा।
निर्देश instructions में रखें और सिर्फ़ बोले जाने वाले शब्द input में, ताकि निर्देश पढ़कर न सुनाए जाएँ।
टेक्स्ट से भाषा अपने-आप पहचानी जाती है, इसलिए स्पैनिश वाक्य स्पैनिश में ही बोला जाता है।
Gemini 3.8 Flash TTS में instructions नहीं दिया जा सकता: यह input का हर शब्द पढ़कर सुनाता है। टेक्स्ट में जहाँ कोई ध्वनि चाहिए, वहाँ Google के वोकल टैग लिखें, जैसे <laugh>, <sigh>, <breath> या <short pause>।

स्पीच का शुल्क

स्पीच का शुल्क टोकन के हिसाब से लगता है: आपके भेजे गए टेक्स्ट पर इनपुट दर से और मिलने वाले ऑडियो पर आउटपुट दर से। ऑडियो के हर सेकंड के लिए टोकन की संख्या तय होती है, जो तालिका में हर मॉडल के लिए दी गई है, इसलिए आखिरी कॉलम में प्रति मिनट की लागत है। हर जवाब के x-zurelay-input-tokens और x-zurelay-output-tokens हेडर बताते हैं कि शुल्क किस आधार पर लगा, और हर अनुरोध आपके अनुरोध लॉग में दर्ज होता है। विफल अनुरोधों का कोई शुल्क नहीं लगता। अपने-आप होने वाली स्मार्ट रूटिंग के साथ भी स्पीच के लिए वही मॉडल इस्तेमाल होता है जो आपने माँगा था। उसके अनुपलब्ध होने पर सिर्फ़ आपके अपने नियम या अनुरोध की models सूची ही किसी दूसरे स्पीच मॉडल से जवाब दिला सकती है: x-zurelay-model में उसका नाम आता है और शुल्क उसकी दर से लगता है।

स्पीच सेव नहीं की जाती: आपको मिलने वाली फ़ाइल सहेज लें। एक ही टेक्स्ट और आवाज़ होने पर भी हर बार बोलने का अंदाज़ थोड़ा अलग होता है।

डैशबोर्ड के प्लेग्राउंड में आवाज़ें और अंदाज़ आज़माएँ।

कोई सवाल है, या कुछ छूट गया है? हमारी सहायता टीम से पूछें और हम ईमेल से जवाब देंगे, आम तौर पर एक मिनट के भीतर.