Gemini 3.8 Flash TTS API

A Zurelay cobra $0.30 por 1M tokens de texto de entrada e $5.40 por 1M tokens de áudio de saída. O preço de tabela do Google é $0.50 e $9.00, então você economiza 40%. O Gemini 3.8 Flash TTS conta 25 tokens de áudio por segundo de fala, 1,500 por minuto, então um minuto custa cerca de $0.008, mais o texto que você envia. O preço do Google dobra em 1 de janeiro de 2027, e o da Zurelay acompanha esse aumento. 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-3.8-flash-tts, uma voice e o seu texto em input. Não use instructions: este modelo lê tudo o que recebe. 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 as vozes antes, use o modo Speech no Playground em https://zurelay.com/app/playground.

Na Zurelay, não. O Google o desenvolveu para ler a entrada palavra por palavra, então uma orientação como "Diga com alegria:" no texto seria falada, e a API do próprio Google recebe o estilo geral em um campo separado que a Zurelay não repassa. Uma requisição com instructions é recusada com um erro unsupported_parameter, em vez de ter as instruções lidas em voz alta. Use tags vocais no texto para sons pontuais, ou o Gemini 3.1 Flash TTS para um estilo descrito em linguagem natural.

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

Como 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 fala como Kore, nova como Leda, onyx como Orus e shimmer como Callirrhoe. A Extended Voice Library do Google, com mais de 2,000 vozes, a criação de vozes e a replicação de vozes não estão disponíveis pela Zurelay.

Mais de 130, segundo o Google, contra mais de 70 do Gemini 3.1 Flash TTS. Não há configuração de idioma: ele é detectado pelo texto, então uma frase em espanhol é falada em espanhol.

Cada requisição aceita até 5,000 caracteres de entrada; divida textos mais longos 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 em mono de 24 kHz e 16-bit. O Google informa um limite de entrada de 8,192 tokens e um limite de saída de 16,384 para o modelo. A Zurelay não armazena o áudio, então salve o arquivo que você receber.

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

Uma frase ou um parágrafo curto costuma levar de 6 a 9 segundos, e o arquivo inteiro é retornado em uma única resposta. Para um assistente de voz, envie uma frase por vez para que a reprodução comece mais cedo.

Sim. O Google o lançou em prévia em setembro de 2026 (a documentação do Cloud informa 28 de setembro) e não anunciou uma data de desativação.

Sim. Suas requisições são executadas no Gemini 3.8 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 vínculo com o Google.