Gemini 2.5 Pro TTS API

A Zurelay cobra $0.60 por 1M tokens de entrada de texto e $12.00 por 1M tokens de saída de áudio. Os preços de tabela do Google são $1.00 e $20.00, então você economiza 40%. O Gemini 2.5 Pro TTS contabiliza 25 tokens de áudio por segundo de fala, 1,500 por minuto, então um minuto custa cerca de $0.018, mais o texto que você envia. Requisições que falham não custam nada.

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-pro-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, em linguagem simples: "Fale com alegria", "Use um tom sombrio e sério" ou "Leia devagar, como uma história para dormir". A atualização do Google de dezembro de 2025 fez o modelo seguir os prompts de estilo com muito mais fidelidade e as instruções de ritmo com mais precisão. 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.

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

Mais que os modelos Flash: na Zurelay, uma frase leva vários segundos e um parágrafo, perto de meio minuto. O arquivo inteiro é retornado em uma única resposta, então ele é mais indicado para narrações preparadas com antecedência do que para conversas ao vivo. Para respostas mais rápidas, use Gemini 2.5 Flash TTS ou Gemini 3.1 Flash TTS.

O Google lista os dois com os mesmos preços por token. Escolha 2.5 Pro TTS para narrações longas em que a clareza da voz é o mais importante; ele também contabiliza menos tokens de áudio por segundo, 25 contra 32 do 3.1 Flash TTS, então um minuto de fala consome menos tokens. Escolha 3.1 Flash TTS para tags de áudio, mais de 70 idiomas e respostas mais rápidas. Os dois 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-pro-preview-tts, funciona assim como gemini-2.5-pro-tts.

Sim. Suas requisições são processadas pelo Gemini 2.5 Pro 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.