Gemini 3.1 Flash TTS API

A Zurelay cobra $0.60 por 1M tokens de texto de entrada e $12.00 por 1M tokens de áudio de saída. Os preços de tabela da Google são $1.00 e $20.00, pelo que poupa 40%. Gemini 3.1 Flash TTS contabiliza 32 tokens de áudio por segundo de fala, 1,920 por minuto, pelo que um minuto custa cerca de $0.023, mais o texto enviado. Os pedidos que falham não têm qualquer custo.

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-3.1-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, como se estivesse a orientar um ator de voz: "Fala com alegria", "Sussurra" ou "Lê devagar, como uma história para adormecer". As instruções podem ter até 2,000 caracteres e não são lidas em voz alta. A Google recomenda pedir um sotaque desta forma, em vez de depender do idioma. speed só aceita 1, por isso peça também o ritmo em instructions.

Sim. Escreva-as entre parênteses retos em input, exatamente onde a mudança deve ocorrer, como [whispers] antes de um segredo ou [short pause] antes de uma revelação. A Zurelay envia o texto para o modelo tal como foi escrito, incluindo as etiquetas. A Google lista mais de 200 etiquetas, incluindo [excitement], [curiosity], [slow], [fast] e [laughs]. As etiquetas estão em inglês, e a Google pede que haja texto ou pontuação entre duas etiquetas. Para textos longos, a Google sugere deixar o Gemini 3.1 Flash-Lite acrescentar as etiquetas por si.

Mais de 70, segundo a Google. Não existe uma definição de idioma: o idioma é detetado a partir do texto, pelo que uma frase em espanhol é dita em espanhol. As etiquetas de áudio mantêm-se em inglês e podem ser combinadas com texto noutros idiomas.

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.

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

Uma frase demora normalmente alguns segundos e um parágrafo cerca de 15 segundos. O ficheiro completo é devolvido numa única resposta: a API da Google permite transmitir o áudio do 3.1 Flash TTS à medida que é gerado, mas a transmissão em contínuo não está disponível através da Zurelay. Para um assistente de voz, envie uma frase de cada vez para que a reprodução comece mais cedo.

Sim. A Google lançou-o em versão de pré-visualização a 15 de abril de 2026 e não anunciou uma data de desativação. Na Zurelay, o ID da Google, gemini-3.1-flash-tts-preview, funciona tal como gemini-3.1-flash-tts.

Sim. Os seus pedidos são processados pelo Gemini 3.1 Flash TTS da Google, e a Zurelay não o substitui por um modelo diferente ou mais pequeno. A voz é gerada de novo em cada chamada, pelo que o mesmo texto e a mesma voz produzem uma leitura ligeiramente diferente de cada vez. A Google aplica a todo o áudio do modelo uma marca de água SynthID, uma marca impercetível que o identifica como gerado por IA. A Zurelay é um serviço independente e não está associada à Google.