语音
文本转语音
通过 OpenAI 语音 API 调用 Gemini 文本转语音模型，将文本转换为自然的语音：提供 30 种音色，用日常语言描述风格，几秒内即可获得 MP3、WAV 或 PCM 音频。
POST
/v1/audio/speech生成语音
speak.py
from openai import OpenAIclient = OpenAI(base_url="https://api.zurelay.com/v1", api_key="YOUR_ZURELAY_KEY")speech = client.audio.speech.create( model="gemini-3.1-flash-tts", voice="Kore", input="Your order has shipped and arrives on Friday.", instructions="Say it warmly, at a relaxed pace",)speech.write_to_file("shipped.mp3")任何 OpenAI SDK 都能使用：将其指向 https://api.zurelay.com/v1，然后调用语音方法。响应直接返回音频文件。
参数
modelstring必填- 表中的语音模型 ID。
inputstring必填- 要朗读的文本，最多 5,000 个字符。更长的文本请拆分为多个请求。
voicestring- 下方 30 种音色之一，或
alloy、nova等 OpenAI 音色名称。默认为Kore。 instructionsstring- 用日常语言描述朗读方式：
Say cheerfully、Whisper, like a secret、Read slowly, like a bedtime story。最多 2,000 个字符。Gemini 3.8 Flash TTS 不支持此参数，它会逐字朗读文本：带有 instructions 的请求会被拒绝。 response_formatstringmp3（默认）、wav或pcm：原始 24 kHz、16-bit 单声道采样数据。speednumber- 不支持：请改在
instructions中描述语速。仅接受1。 modelsarray- 此请求的智能路由：模型不可用时，按顺序尝试的其他语音模型。参见智能路由。
音频全部生成后才会返回。按最大文本长度（5,000 个字符）实测：Flash 模型约需一分钟，Gemini 2.5 Pro TTS 约需五分半钟。请将 HTTP 客户端的超时时间设为 10 分钟（OpenAI SDK 的默认值），或将长文本分段发送。
音色
为 OpenAI 编写的代码仍可直接使用：OpenAI 音色名称会映射到风格相近的 Gemini 音色。
风格与节奏
- 像给配音演员提要求一样描述你想要的朗读效果：情绪、语速、音量、口音。
- 将朗读要求放在
instructions中，只把要朗读的文字放在input中，这样就不会把要求也读出来。 - 模型会根据文本自动识别语言，因此西班牙语句子会用西班牙语朗读。
- Gemini 3.8 Flash TTS 不接受
instructions: 它会朗读input中的所有文字。在文本中需要发出相应声音的位置插入 Google 的声音标签，例如<laugh>、<sigh>、<breath>或<short pause>。
语音计费
语音按 token 计费：发送的文本按输入价格收费，返回的音频按输出价格收费。每秒音频对应固定数量的 token，表格列出了各模型的对应数量，因此最后一列就是每分钟的费用。每次响应都会在 x-zurelay-input-tokens 和 x-zurelay-output-tokens 响应头中说明计费用量，所有请求也都可在请求日志中查看。失败的请求不收费。即使启用了自动智能路由，语音请求仍会使用你指定的模型。只有你自己的规则或请求中的 models 列表，才能在该模型不可用时让其他语音模型接替: x-zurelay-model 会标明实际使用的模型，并按该模型的价格计费。
生成的语音不会被保存，请保存返回的文件。即使文本和音色相同，每次生成的朗读也会略有不同。
在控制台的试验场中试用不同音色和风格。
有疑问，或发现内容缺失？联系我们的支持团队，我们会通过邮件回复，通常只需一分钟。