Gemini 3.1 Flash TTS API

Zurelay 的输入文本价格为每 1M token $0.60，输出音频价格为每 1M token $12.00。Google 的标价分别为 $1.00 和 $20.00，因此你可节省 40%。Gemini 3.1 Flash TTS 每秒语音计为 32 个音频 token，每分钟为 1,920 个，因此每分钟约为 $0.023，另加发送文本的费用。失败的请求不收费。

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-3.1-flash-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，就像给配音演员提要求一样："用欢快的语气说"、"轻声耳语" 或 "像讲睡前故事一样慢慢读"。instructions 最多可包含 2,000 个字符，内容不会被朗读。Google 建议用这种方式指定口音，而不是仅依赖所用语言。speed 仅接受 1，因此语速也需要在 instructions 中指定。

可以。在 input 中用方括号插入标签，放在需要改变声音的准确位置，例如在秘密内容前加入 [whispers]，或在揭晓前加入 [short pause]。Zurelay 会将文本连同标签原样发送给模型。Google 列出了超过 200 种标签，包括 [excitement]、[curiosity]、[slow]、[fast] 和 [laughs]。标签使用英文，Google 要求两个标签之间有文本或标点。对于长文本，Google 建议让 Gemini 3.1 Flash-Lite 帮你添加标签。

据 Google 介绍，支持超过 70 种语言。无需设置语言：模型会根据文本自动识别，因此西班牙语句子会用西班牙语朗读。音频标签仍需使用英语，也可以搭配其他语言的文本使用。

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 上无法通过一次请求完成。Google 自家的 API 可以在一次调用中为多说话人对话配音，但 Zurelay 的每次请求只使用一种音色。要生成对话，请为每句台词指定音色分别生成，再按顺序拼接音频；原始 PCM 最容易拼接。

一句话通常需要几秒，一段文字约需 15 秒。完整文件会在一次响应中返回：Google 自家的 API 支持边生成边流式传输 3.1 Flash TTS 音频，但 Zurelay 暂不支持流式输出。如果用于语音助手，建议每次发送一句话，以便更早开始播放。

是的。Google 于 2026 年 4 月 15 日发布了预览版，尚未公布下线日期。在 Zurelay 上，Google 的模型 ID gemini-3.1-flash-tts-preview 和 gemini-3.1-flash-tts 均可使用。

是的。你的请求由 Google 的 Gemini 3.1 Flash 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，因此相同文本和音色每次的朗读都会略有不同。Google 会为该模型生成的所有音频添加 SynthID 水印，这是一种无法感知的标记，用于识别 AI 生成内容。Zurelay 是独立服务，与 Google 无关联。