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 da Google são $0.50 e $10.00, pelo que poupa 40%. Gemini 2.5 Flash TTS contabiliza 25 tokens de áudio por segundo de fala, 1,500 por minuto, pelo que um minuto custa cerca de $0.009, mais o texto que enviar. Os pedidos que falham não têm custos.

Crie uma chave de API da Zurelay, defina o URL base do SDK como https://api.zurelay.com/v1 e chame client.audio.speech.create com model definido como gemini-2.5-flash-tts, uma voz, o seu texto como input e, se quiser, instructions. A resposta é o próprio ficheiro de áudio: guarde-o com write_to_file em Python ou escreva os respetivos bytes num ficheiro em Node. Para experimentar primeiro vozes e estilos, 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 predefinição. Os nomes de vozes da OpenAI também funcionam e correspondem a uma voz do Gemini com características semelhantes: alloy usa Kore, nova usa Leda, onyx usa Orus e shimmer usa Callirrhoe. A documentação de síntese de voz em https://zurelay.com/docs/speech apresenta todas as vozes com as características que a Google lhes atribui.

Descreva o que pretende em instructions, com palavras simples: "Diga com alegria", "Fale depressa e com vivacidade" ou "Leia devagar, como uma história de embalar". Desde a atualização da Google de dezembro de 2025, o modelo segue mais de perto as indicações de estilo e as instruções explícitas de ritmo. O campo instructions pode ter até 2,000 carateres e não é lido em voz alta. speed só aceita 1, por isso indique o ritmo em instructions.

A Google indica 24 idiomas suportados. Não há uma definição de idioma: este é detetado a partir do texto, pelo que uma frase em espanhol é lida em espanhol. Para mais de 70 idiomas, use o Gemini 3.1 Flash TTS com o mesmo pedido.

Cada pedido aceita até 5,000 caracteres em input e 2,000 em instructions; divida os textos mais longos por vários pedidos. O áudio é devolvido em MP3 por predefinição, mas pode definir response_format como wav ou como pcm para obter amostras PCM em bruto a 24 kHz, de 16-bit e em mono. A Google indica um limite de entrada de 8,192 tokens para o modelo. A Zurelay não guarda o áudio, por isso guarde o ficheiro que receber.

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 ficheiro completo chega numa única resposta, por isso, para um assistente de voz, envie uma frase de cada vez e reproduza cada uma assim que chegar.

Não num único pedido na Zurelay. A API da Google permite dar voz a um ou dois interlocutores numa única chamada, mas na Zurelay cada pedido usa uma só voz. Para um diálogo, gere cada fala com a respetiva voz e junte o áudio pela ordem certa; o formato PCM bruto é o mais simples de juntar.

Escolha 2.5 Flash TTS para um preço mais baixo e respostas curtas mais rápidas; o preço de tabela da Google é metade do de 3.1 Flash TTS. Escolha 3.1 Flash TTS para usar etiquetas de áudio, que alteram a forma de falar a meio de uma frase, e ter acesso a mais de 70 idiomas em vez de 24. Ambos aceitam o mesmo pedido, pelo que basta alterar model para mudar de modelo.

Sim. A Google lançou-o em pré-visualização a 20 de maio de 2025 e atualizou-o a 10 de dezembro de 2025. A Google não anunciou qualquer data de desativação. Na Zurelay, tanto o ID da Google, gemini-2.5-flash-preview-tts, como gemini-2.5-flash-tts funcionam.

Sim. Os seus pedidos são executados no Gemini 2.5 Flash TTS da Google, e a Zurelay não o substitui por um modelo diferente ou mais pequeno. A fala é gerada de raiz em cada chamada, pelo que o mesmo texto e a mesma voz produzem uma leitura ligeiramente diferente de cada vez. A Zurelay é um serviço independente e não tem qualquer afiliação com a Google.