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. Os preços de tabela da Google são $0.50 e $9.00, pelo que poupa 40%. O Gemini 3.8 Flash TTS contabiliza 25 tokens de áudio por segundo de voz, 1,500 por minuto, pelo que um minuto custa cerca de $0.008, mais o texto enviado. O preço da Google duplica em 1 de janeiro de 2027 e o da Zurelay acompanha essa subida. Os pedidos que falham não têm 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-3.8-flash-tts, uma voz e o seu texto como input. Deixe instructions de fora: este modelo lê tudo o que recebe. 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 as vozes, use o modo Speech no Playground em https://zurelay.com/app/playground.

Na Zurelay, não. A Google concebeu-o para ler o texto de entrada palavra por palavra, pelo que uma indicação como "Diga com alegria:" no texto seria lida em voz alta. A API da própria Google aceita um estilo contínuo num campo separado que a Zurelay não transmite. Um pedido com instructions é rejeitado com o erro unsupported_parameter, em vez de as instruções serem lidas em voz alta. Use etiquetas vocais no texto para sons pontuais ou o Gemini 3.1 Flash TTS para um estilo descrito em linguagem corrente.

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 voz padrão. Os nomes de voz 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 Extended Voice Library da Google, com mais de 2,000 vozes, a criação de vozes e a replicação de voz não estão disponíveis através da Zurelay.

Mais de 130, segundo a Google, face a mais de 70 no Gemini 3.1 Flash TTS. Não há nenhuma definição de idioma: o idioma é detetado a partir do texto, pelo que uma frase em espanhol é lida em espanhol.

Cada pedido aceita até 5,000 caracteres de entrada; divida textos mais longos por vários pedidos. O áudio é devolvido em MP3 por predefinição. Também pode definir response_format como wav ou como pcm para amostras de áudio em bruto a 24 kHz, 16-bit mono. A Google indica um limite de entrada de 8,192 tokens e um limite de saída de 16,384 para o modelo. A Zurelay não guarda o áudio, por isso guarde o ficheiro recebido.

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 ou um parágrafo curto demora normalmente 6 a 9 segundos, e o ficheiro completo é devolvido numa única resposta. Para um assistente de voz, envie uma frase de cada vez para que a reprodução comece mais cedo.

Sim. A Google lançou-o em pré-visualização em setembro de 2026 (a documentação Cloud indica 28 de setembro) e não anunciou nenhuma data de desativação.

Sim. Os seus pedidos são executados no Gemini 3.8 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 pedido, 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.