Voz

Texto para fala

Transforme texto em fala natural com os modelos de texto para fala do Gemini, pela API de fala da OpenAI: 30 vozes, um estilo que você descreve com suas próprias palavras e áudio em MP3, WAV ou PCM em poucos segundos.

POST/v1/audio/speech
ModeloIDTexto de entrada, por 1M tokensÁudio de saída, por 1M tokensTokens de áudio por segundoCerca de um minuto
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

Gerar fala

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")

Qualquer SDK da OpenAI funciona: configure-o para usar https://api.zurelay.com/v1 e chame o método de fala. A resposta é o próprio arquivo de áudio.

Parâmetros

modelstringobrigatório
Um ID de modelo de fala da tabela.
inputstringobrigatório
O texto a ser falado, com até 5,000 caracteres. Divida textos mais longos em várias requisições.
voicestring
Uma das 30 vozes abaixo ou um nome de voz da OpenAI, como alloy ou nova. Padrão: Kore.
instructionsstring
Como falar, em palavras simples: Say cheerfully, Whisper, like a secret, Read slowly, like a bedtime story. Até 2,000 caracteres. Não disponível no Gemini 3.8 Flash TTS, que lê o texto palavra por palavra: requisições com instruções são recusadas nesse modelo.
response_formatstring
mp3 (o padrão), wav ou pcm: amostras brutas de 24 kHz, 16-bit, mono.
speednumber
Não compatível: peça o ritmo em instructions. Apenas 1 é aceito.
modelsarray
Roteamento inteligente para esta requisição: outros modelos de fala para tentar, em ordem, se o modelo estiver indisponível. Veja Roteamento inteligente.
O áudio é retornado quando a geração termina. Medição com o tamanho máximo (5,000 caracteres): os modelos Flash levam cerca de um minuto, e o Gemini 2.5 Pro TTS, cerca de cinco minutos e meio. Configure um tempo limite de 10 minutos no seu cliente HTTP (o padrão dos SDKs da OpenAI) ou envie textos longos em partes.

Vozes

VozSonoridadeVozSonoridade
ZephyrBrilhantePuckAnimada
CharonInformativaKoreFirme
FenrirEntusiasmadaLedaJovem
OrusFirmeAoedeDescontraída
CallirrhoeEasy-goingAutonoeBrilhante
EnceladusSoprosaIapetusLimpar
UmbrielEasy-goingAlgiebaSuave
DespinaSuaveErinomeLimpar
AlgenibRoucaRasalgethiInformativa
LaomedeiaAnimadaAchernarDelicada
AlnilamFirmeSchedarUniforme
GacruxMaduraPulcherrimaDireta
AchirdAmigávelZubenelgenubiDescontraída
VindemiatrixGentilSadachbiaAnimada
SadaltagerBem-informadaSulafatAcolhedora

O código escrito para a OpenAI continua funcionando: os nomes de voz dela são mapeados para vozes do Gemini com características semelhantes.

Voz da OpenAIVoz usada
alloyKore
ashCharon
balladAlgieba
coralAoede
echoPuck
fableFenrir
novaLeda
onyxOrus
sageZephyr
shimmerCallirrhoe
verseUmbriel
marinDespina
cedarIapetus

Estilo e ritmo

  • Descreva a interpretação como você orientaria um dublador: tom, ritmo, volume, sotaque.
  • Coloque as orientações em instructions e apenas as palavras a serem faladas em input, para que as orientações não sejam lidas em voz alta.
  • O idioma é identificado pelo texto, então uma frase em espanhol é falada em espanhol.
  • Gemini 3.8 Flash TTS não aceita instructions: ele lê cada palavra de input em voz alta. Insira as tags vocais do Google no texto onde o som deve aparecer, como <laugh>, <sigh>, <breath> ou <short pause>.

Cobrança de voz

A geração de voz é cobrada por tokens: o texto que você envia pelo preço de entrada, e o áudio que recebe pelo preço de saída. Cada segundo de áudio equivale a um número fixo de tokens, indicado na tabela para cada modelo, então a última coluna mostra o custo por minuto. Cada resposta informa a base da cobrança nos cabeçalhos x-zurelay-input-tokens e x-zurelay-output-tokens, e toda requisição aparece no seu registro de requisições. Requisições que falham não são cobradas. A geração de voz usa o modelo que você pediu, mesmo com o roteamento inteligente automático. Só as suas próprias regras ou a lista models de uma requisição podem fazer outro modelo de voz responder quando o solicitado estiver indisponível: x-zurelay-model informa qual foi usado, e a cobrança segue o preço dele.

O áudio não é armazenado: salve o arquivo que você receber. O mesmo texto e a mesma voz geram uma leitura ligeiramente diferente a cada vez.

Experimente vozes e estilos no Playground do painel.

Tem dúvidas ou falta algo? Fale com nossa equipe de suporte e responderemos por e-mail, geralmente em até um minuto.