Gemini 2.5 Pro TTS API

Zurelay 的文本输入价格为每 1M tokens $0.60，音频输出价格为每 1M tokens $12.00。Google 的标价分别为 $1.00 和 $20.00，因此你可节省 40%。Gemini 2.5 Pro TTS 每秒语音计为 25 个音频 token，每分钟为 1,500 个，因此每分钟约 $0.018，另加发送文本的费用。失败请求不收费。

创建 Zurelay API key,将 SDK 的 base URL 设为 https://api.zurelay.com/v1,然后调用 client.audio.speech.create,将 model 设为 gemini-2.5-pro-tts,并传入 voice、作为 input 的文本，以及可选的 instructions。返回的就是音频文件本身：在 Python 中用 write_to_file 保存，在 Node 中则将其字节写入文件。如需先试听音色和风格，请使用 https://zurelay.com/app/playground 中 Playground 的 Speech 模式。

支持 Gemini 全部 30 种预设音色，包括 Kore、Puck、Charon、Leda、Aoede 和 Sulafat 等，默认为 Kore。也可使用 OpenAI 音色名称，它们会映射到风格相近的 Gemini 音色：alloy 对应 Kore，nova 对应 Leda，onyx 对应 Orus，shimmer 对应 Callirrhoe。语音文档 https://zurelay.com/docs/speech 列出了所有音色及 Google 对各音色特点的描述。

在 instructions 中用自然语言描述即可："用欢快的语气说"、"语气低沉严肃"或"像讲睡前故事一样慢慢读"。Google 在 2025 年 12 月的升级让模型能更准确地遵循风格提示和语速指令。instructions 最多可包含 2,000 个字符，不会被朗读出来。speed 仅接受 1，因此请在 instructions 中指定语速。

Google 列出了 24 种支持的语言。无需设置语言：模型会自动识别文本语言，因此西班牙语句子会用西班牙语朗读。如需支持超过 70 种语言，可使用 Gemini 3.1 Flash TTS，请求格式不变。

每次请求最多可包含 5,000 个输入字符和 2,000 个指令字符；更长的文本需拆分为多次请求。音频默认以 MP3 格式返回，也可将 response_format 设为 wav，或设为 pcm 以获取原始 24 kHz、16-bit 单声道采样。Google 标注的模型输入上限为 8,192 token。Zurelay 不存储音频，请保存返回的文件。

在 Zurelay 上，单次请求不支持双人配音。Google 自有 API 可以在一次调用中使用单人或双人配音，但 Zurelay 的每次请求只能使用一种音色。制作对话或播客时，请分别用对应音色生成每句音频，再按顺序拼接；原始 PCM 最便于拼接。

比 Flash 模型更久：在 Zurelay 上，一句话需要几秒，一段文字则接近半分钟。整个文件会一次性返回，因此更适合提前制作旁白，而非实时对话。如需更快的响应，请使用 Gemini 2.5 Flash TTS 或 Gemini 3.1 Flash TTS。

Google 为两者制定的 token 单价相同。如果最看重声音清晰度，且需要生成长篇旁白，选 2.5 Pro TTS；它每秒音频按 25 个 token 计，而 3.1 Flash TTS 为 32 个，因此每分钟语音消耗的 token 更少。如果需要音频标签、超过 70 种语言或更快的响应，选 3.1 Flash TTS。两者的请求格式相同，切换时只需更改 model。

是的。Google 于 2025 年 5 月 20 日发布其预览版，并于 2025 年 12 月 10 日进行了升级。Google 尚未公布停用日期。在 Zurelay 上，Google 的模型 ID gemini-2.5-pro-preview-tts 和 gemini-2.5-pro-tts 均可使用。

是的。你的请求由 Google 的 Gemini 2.5 Pro TTS 处理，Zurelay 不会替换为其他模型或更小的模型。每次调用都会重新生成语音，因此即使文本和音色相同，每次的朗读也会略有不同。Zurelay 是独立服务，与 Google 无关联。