Gemini 2.5 Flash TTS API

A Zurelay cobra $0.30 por 1M tokens de texto de entrada e $6.00 por 1M tokens de áudio de saída. Os preços de tabela do Google são $0.50 e $10.00, então você economiza 40%. O Gemini 2.5 Flash TTS contabiliza 25 tokens de áudio por segundo de fala, 1,500 por minuto, então um minuto custa cerca de $0.009, mais o texto que você envia. Requisições que falham não são cobradas.

Crie uma chave de API da Zurelay, defina a base URL do SDK como https://api.zurelay.com/v1 e chame client.audio.speech.create com model definido como gemini-2.5-flash-tts, uma voice, o seu texto em input e, se quiser, instructions. A resposta é o próprio arquivo de áudio: salve-o com write_to_file em Python ou grave os bytes em um arquivo no Node. Para testar vozes e estilos antes, use o modo Speech no Playground em https://zurelay.com/app/playground.

Todas as 30 vozes predefinidas do Gemini, como Kore, Puck, Charon, Leda, Aoede e Sulafat, com Kore como padrão. Os nomes de vozes da OpenAI também funcionam e são mapeados para uma voz do Gemini com características semelhantes: alloy usa Kore, nova usa Leda, onyx usa Orus e shimmer usa Callirrhoe. A documentação de fala em https://zurelay.com/docs/speech lista todas as vozes com as características atribuídas pelo Google.

Descreva o que você quer em instructions, com palavras simples: "Fale com alegria", "Fale rápido e com animação" ou "Leia devagar, como uma história para dormir". Desde a atualização do Google de dezembro de 2025, o modelo segue mais de perto as orientações de estilo e as instruções explícitas de ritmo. As instruções podem ter até 2,000 caracteres e não são lidas em voz alta. speed só aceita 1, então peça o ritmo em instructions.

O Google lista 24 idiomas compatíveis. Não há configuração de idioma: ele é identificado pelo texto, então uma frase em espanhol é falada em espanhol. Para mais de 70 idiomas, use Gemini 3.1 Flash TTS com a mesma requisição.

Cada requisição aceita até 5,000 caracteres em input e 2,000 em instructions; divida textos maiores em várias requisições. O áudio é retornado em MP3 por padrão, ou você pode definir response_format como wav, ou como pcm para amostras brutas mono de 24 kHz e 16-bit. O Google informa um limite de entrada de 8,192 tokens para o modelo. A Zurelay não armazena o áudio, então salve o arquivo recebido.

É o mais rápido dos modelos de fala Gemini na Zurelay: uma frase curta costuma ficar pronta em poucos segundos e um parágrafo em cerca de 15 segundos. O arquivo inteiro chega em uma única resposta, então, para um assistente de voz, envie uma frase por vez e reproduza cada uma assim que chegar.

Não em uma única requisição na Zurelay. A API do próprio Google pode gerar falas de uma ou duas pessoas em uma só chamada, mas a Zurelay usa uma única voz por requisição. Para um diálogo, gere cada fala com sua respectiva voz e junte os áudios na ordem; PCM bruto é o formato mais simples de juntar.

Escolha 2.5 Flash TTS pelo preço menor e pelas respostas curtas mais rápidas; o preço de tabela do Google é metade do de 3.1 Flash TTS. Escolha 3.1 Flash TTS pelas tags de áudio, que mudam a forma de falar no meio da frase, e pelo suporte a mais de 70 idiomas em vez de 24. Ambos aceitam a mesma requisição, então basta alterar model para trocar.

Sim. O Google lançou a prévia em 20 de maio de 2025 e a atualizou em 10 de dezembro de 2025. O Google não anunciou uma data de desativação. Na Zurelay, o ID do Google, gemini-2.5-flash-preview-tts, funciona assim como gemini-2.5-flash-tts.

Sim. Suas requisições são processadas pelo Gemini 2.5 Flash TTS do Google, e a Zurelay não o substitui por um modelo diferente ou menor. A fala é gerada do zero a cada chamada, então o mesmo texto e a mesma voz produzem uma leitura ligeiramente diferente a cada vez. A Zurelay é um serviço independente e não tem afiliação com o Google.