Gemini 3.8 Flash TTS API

Zurelay इनपुट टेक्स्ट के लिए $0.30 प्रति 1M टोकन और आउटपुट ऑडियो के लिए $5.40 प्रति 1M टोकन लेता है. Google की लिस्ट कीमत $0.50 और $9.00 है, इसलिए आपकी बचत 40% होती है. Gemini 3.8 Flash TTS आवाज़ के हर सेकंड के लिए 25 ऑडियो टोकन गिनता है, यानी एक मिनट के लिए 1,500, इसलिए एक मिनट की लागत करीब $0.008 होती है, साथ में आपके भेजे टेक्स्ट की लागत. 1 जनवरी, 2027 को Google की कीमत दोगुनी होगी, और Zurelay की कीमत भी उसी हिसाब से बदलेगी. विफल अनुरोधों का कोई शुल्क नहीं लगता.

Zurelay API key बनाएँ, SDK का base URL https://api.zurelay.com/v1 पर सेट करें और client.audio.speech.create को कॉल करें। इसमें model के रूप में gemini-3.8-flash-tts, कोई voice और input के रूप में अपना टेक्स्ट दें। instructions न दें: यह मॉडल जो कुछ भी दिया जाता है, उसे पूरा पढ़ देता है। जवाब में सीधे ऑडियो फ़ाइल मिलती है: Python में उसे write_to_file से सहेजें, या Node में उसके बाइट्स किसी फ़ाइल में लिखें। पहले आवाज़ों को आज़माने के लिए https://zurelay.com/app/playground पर Playground का Speech मोड इस्तेमाल करें।

Zurelay पर नहीं. Google ने इसे इनपुट को शब्दशः पढ़ने के लिए बनाया है, इसलिए टेक्स्ट में "खुशी से बोलें:" जैसा निर्देश देने पर वह भी पढ़ दिया जाएगा, और Google की अपनी API पूरे ऑडियो का अंदाज़ तय करने के लिए अलग फ़ील्ड लेती है, जिसे Zurelay आगे नहीं भेजता. instructions वाले अनुरोध को unsupported_parameter त्रुटि के साथ अस्वीकार कर दिया जाता है, ताकि निर्देश पढ़कर न सुनाए जाएँ. बीच-बीच में ध्वनियाँ जोड़ने के लिए टेक्स्ट में आवाज़ के टैग इस्तेमाल करें, या आम शब्दों में अंदाज़ बताने के लिए Gemini 3.1 Flash TTS चुनें.

Google documents angle-bracket tags for momentary sounds: <laugh>, <sigh>, <cough>, <breath> और <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 से the model as written, tags included.

Gemini की 30 पहले से तैयार आवाज़ें, जैसे Kore, Puck, Charon, Leda, Aoede और Sulafat, जिनमें Kore डिफ़ॉल्ट है. OpenAI की आवाज़ों के नाम भी काम करते हैं और उनसे मिलते-जुलते अंदाज़ वाली Gemini आवाज़ चुनी जाती है: alloy की जगह Kore बोलती है, nova की जगह Leda, onyx की जगह Orus और shimmer की जगह Callirrhoe. Google की 2,000 से ज़्यादा आवाज़ों वाली Extended Voice Library, आवाज़ डिज़ाइन करने और आवाज़ की नकल बनाने की सुविधाएँ Zurelay पर उपलब्ध नहीं हैं.

Google के मुताबिक 130 से ज़्यादा, जबकि Gemini 3.1 Flash TTS में 70 से ज़्यादा हैं. भाषा की कोई सेटिंग नहीं है: भाषा टेक्स्ट से अपने-आप पहचान ली जाती है, इसलिए स्पैनिश वाक्य स्पैनिश में बोला जाता है.

हर अनुरोध में अधिकतम 5,000 कैरेक्टर का इनपुट भेज सकते हैं; लंबे टेक्स्ट को कई अनुरोधों में बाँटें. ऑडियो डिफ़ॉल्ट रूप से MP3 में मिलता है, या response_format को wav पर सेट करें, या रॉ 24 kHz, 16-bit मोनो सैंपल के लिए pcm पर. Google के मुताबिक इस मॉडल की इनपुट सीमा 8,192 टोकन और आउटपुट सीमा 16,384 है. Zurelay ऑडियो स्टोर नहीं करता, इसलिए मिली हुई फ़ाइल सहेज लें.

Zurelay पर एक ही रिक्वेस्ट में नहीं. Google का अपना API एक कॉल में कई वक्ताओं वाले संवाद को आवाज़ दे सकता है, लेकिन Zurelay हर रिक्वेस्ट को एक ही आवाज़ में बोलता है. संवाद के लिए हर लाइन को उसकी अलग आवाज़ में बनाएँ और फिर ऑडियो को क्रम से जोड़ें; रॉ PCM को जोड़ना सबसे आसान है.

एक वाक्य या छोटे पैराग्राफ़ में आम तौर पर 6 से 9 सेकंड लगते हैं, और पूरी फ़ाइल एक ही जवाब में मिलती है. वॉइस असिस्टेंट के लिए एक बार में एक वाक्य भेजें, ताकि ऑडियो जल्दी चलना शुरू हो.

हाँ. Google ने इसे सितंबर 2026 में प्रीव्यू के तौर पर रिलीज़ किया था (इसके क्लाउड दस्तावेज़ों में 28 सितंबर दिया गया है) और इसे बंद करने की कोई तारीख घोषित नहीं की है.

हाँ. आपके अनुरोध Google के Gemini 3.8 Flash TTS पर चलते हैं, और Zurelay उसकी जगह कोई अलग या छोटा मॉडल इस्तेमाल नहीं करता. हर कॉल पर आवाज़ नए सिरे से बनती है, इसलिए वही टेक्स्ट और आवाज़ चुनने पर भी हर बार पढ़ने के अंदाज़ में थोड़ा फ़र्क होता है. Zurelay एक स्वतंत्र सेवा है और Google से संबद्ध नहीं है.