Skip to Content
ModelosGemini TTS

Familia Gemini TTS

Los modelos de síntesis de voz Gemini de Google, que se invocan a través del endpoint compatible con OpenAI POST /v1/audio/speech y permiten describir el tono y el estilo en lenguaje natural.

ID de modelo habituales (cópielos exactamente)
Gemini 3.8 Flash TTSgoogle/gemini-3.8-flash-tts
Gemini 3.8 Flash-Lite TTSgoogle/gemini-3.8-flash-lite-ttsPrecio unitario más bajo

Todos los modelos TTS figuran en la página de modelos . Los parámetros comunes del endpoint están en Audio Speech API.

Ejemplos de llamada

gemini_tts.py
import os
from openai import OpenAI
 
client = OpenAI(base_url="https://api.ofox.ai/v1", api_key=os.environ["OFOX_API_KEY"])
 
with client.audio.speech.with_streaming_response.create(
    model="google/gemini-3.8-flash-tts",
    voice="Kore",
    input="La reunión de hoy se ha trasladado a las tres de la tarde; por favor, sean puntuales.",
    instructions="Lee con un tono sereno y claro, como un boletín de noticias.",
    response_format="wav",
) as resp:
    resp.stream_to_file("speech.wav")

Valores de los parámetros

Clavevoice es obligatorio y toma como valor un nombre de voz de Google; los formatos de salida admitidos son únicamente wav y pcm.
ParámetroDescripción
voiceObligatorio. Nombre de voz de Google, por ejemplo Kore, Puck o Zephyr. La lista completa está en documentación oficial de Gemini · Voces . Los nombres de voz de OpenAI (como alloy) no son válidos
response_formatwav (predeterminado) o pcm, ambos a 24 kHz, 16 bits y mono. mp3, opus, aac y flac no son compatibles
instructionsDescribe en lenguaje natural el tono, la velocidad y el estilo, por ejemplo «con un tono alegre» o «más despacio»
language_codeCódigo de idioma, por ejemplo cmn-CN o en-US; si no se indica, se detecta a partir del texto
stream_formatCon sse, el audio se devuelve en fragmentos en streaming, útil para reproducir mientras se genera

Si necesita mp3, obtenga primero el wav y conviértalo con una herramienta como ffmpeg: ffmpeg -i speech.wav speech.mp3.

Latencia y textos largos

En las pruebas, una frase en chino de unos 20 caracteres se devolvió en unos 3 segundos. Un texto en inglés de unos 6000 caracteres generó unos 9 minutos de audio en unos 105 segundos, con un archivo wav de unos 26 MB. Para textos largos, configure el tiempo de espera del cliente en 300 segundos o más, o use stream_format: "sse" para recibirlo en streaming.

Errores habituales

HTTPMensaje de error originalCausaSolución
400voice is required for speech completionNo se envió voiceIndique un nombre de voz, por ejemplo Kore
400Request contains an invalid argument.El nombre de voz no existe, por ejemplo se envió alloyUse un nombre de voz de Google
400unsupported Gemini response_format: mp3Formato no compatibleUse wav o pcm

Más errores en Audio Speech API.

Documentación oficial

Preguntas frecuentes

¿Qué valor va en voice de Gemini TTS?

Un nombre de voz de Google, por ejemplo Kore, Puck o Zephyr; la lista completa está en la documentación oficial de Gemini. voice es obligatorio, y las voces de OpenAI como alloy no son válidas.

¿Gemini TTS puede generar mp3?

No; solo admite wav y pcm (24 kHz, 16 bits, mono). Si necesita mp3, conviértalo usted mismo, por ejemplo con ffmpeg -i speech.wav speech.mp3.

¿Cómo se controla el tono en Gemini TTS?

Descríbalo en lenguaje natural con el parámetro instructions, por ejemplo «lee con un tono alegre» o «con la serenidad de un boletín de noticias».

¿Por qué Gemini TTS devuelve voice is required?

Gemini TTS exige enviar voice, por ejemplo "voice": "Kore".

Última actualización:
ElevenLabsTranscripción GPT