音声

テキスト読み上げ

Geminiのテキスト読み上げモデルをOpenAIの音声API経由で利用できます。テキストから自然な音声を生成し、30種類の声から選んで話し方を言葉で指定できます。MP3、WAV、PCM形式の音声が数秒で返ります。

POST/v1/audio/speech

モデル	ID	入力テキスト、1Mトークンあたり	出力音声、1Mトークンあたり	1秒あたりの音声トークン	約1分
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

音声を生成

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")

どのOpenAI SDKでも利用できます。接続先をhttps://api.zurelay.com/v1に設定し、音声生成メソッドを呼び出してください。レスポンスには音声ファイルが直接返ります。

パラメータ

modelstring必須: 表に記載された音声モデルID。
inputstring必須: 読み上げるテキスト。最大5,000文字です。それより長いテキストは、複数のリクエストに分けてください。
voicestring: 以下の30種類の声、またはalloyやnovaなどのOpenAIの声の名前。デフォルトはKoreです。
instructionsstring: 話し方を言葉で指定します。例: Say cheerfully、Whisper, like a secret、Read slowly, like a bedtime story。最大2,000文字です。Gemini 3.8 Flash TTSでは使用できません。このモデルはテキストをそのまま読み上げるため、instructionsを指定したリクエストは拒否されます。
response_formatstring: mp3（デフォルト）、wav、またはpcm。24 kHz、16-bit、モノラルの生のサンプルです。
speednumber: サポートされていません。代わりにinstructionsで話す速さを指定してください。指定できる値は1のみです。
modelsarray: このリクエストのスマートルーティング：モデルが利用できない場合に試すほかの音声モデルを、優先順に指定します。詳しくはスマートルーティングをご覧ください。

音声はすべて生成されてから返ります。最大長（5,000文字）での計測では、Flashモデルは約1分、Gemini 2.5 Pro TTSは約5分半かかります。HTTPクライアントのタイムアウトを10分（OpenAI SDKのデフォルト）に設定するか、長いテキストを分割して送信してください。

声の種類

声	声の特徴	声	声の特徴
`Zephyr`	明るい	`Puck`	元気な
`Charon`	説明が明快な	`Kore`	しっかりした
`Fenrir`	興奮気味の	`Leda`	若々しい
`Orus`	しっかりした	`Aoede`	軽やかな
`Callirrhoe`	Easy-going	`Autonoe`	明るい
`Enceladus`	息を含んだ声	`Iapetus`	クリア
`Umbriel`	Easy-going	`Algieba`	なめらか
`Despina`	なめらか	`Erinome`	クリア
`Algenib`	かすれた声	`Rasalgethi`	説明が明快な
`Laomedeia`	元気な	`Achernar`	柔らかい
`Alnilam`	しっかりした	`Schedar`	落ち着いた
`Gacrux`	大人びた	`Pulcherrima`	押し出しの強い
`Achird`	親しみやすい	`Zubenelgenubi`	カジュアル
`Vindemiatrix`	優しい	`Sadachbia`	生き生きとした
`Sadaltager`	知識豊富	`Sulafat`	温かみのある

OpenAI向けに書いたコードもそのまま動作します。OpenAIの声の名前は、特徴の近いGeminiの声に対応付けられます。

OpenAIの音声	話し方
`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

話し方とテンポ

声優に指示するように、雰囲気、テンポ、音量、アクセントを指定します。
読み上げの指示はinstructionsに、読み上げる言葉だけをinputに入れてください。指示が読み上げられるのを防げます。
言語はテキストから判別されるため、スペイン語の文はスペイン語で読み上げられます。
Gemini 3.8 Flash TTSはinstructionsを受け付けず、inputのすべての言葉を読み上げます。<laugh>、<sigh>、<breath>、<short pause>などのGoogleの音声タグを、効果を入れたい箇所のテキストに記述してください。

音声はトークン単位で課金されます。送信したテキストには入力料金、返された音声には出力料金が適用されます。音声1秒あたりのトークン数はモデルごとに決まっており、表に示しています。表の最後の列は1分あたりの料金です。各レスポンスのx-zurelay-input-tokensとx-zurelay-output-tokensヘッダーで課金の内訳を確認でき、すべてのリクエストはリクエストログに記録されます。失敗したリクエストには料金がかかりません。自動スマートルーティングを有効にしていても、音声は指定したモデルで生成されます。そのモデルが利用できないとき、別の音声モデルが応答できるのは、独自のルールかリクエストのmodelsリストで指定した場合だけです。応答したモデルはx-zurelay-modelに示され、そのモデルの料金が適用されます。

音声は保存されません。返されたファイルを保存してください。同じテキストと声でも、読み上げは毎回少しずつ異なります。

ダッシュボードのプレイグラウンドで声や話し方を試せます。