Série Gemini TTS

Os modelos de síntese de voz Gemini do Google, chamados pelo endpoint compatível com OpenAI POST /v1/audio/speech. O tom e o estilo podem ser descritos em linguagem natural.

IDs de modelo comuns (copie exatamente)

Gemini 3.8 Flash TTSgoogle/gemini-3.8-flash-tts

Gemini 3.8 Flash-Lite TTSgoogle/gemini-3.8-flash-lite-ttsPreço unitário menor

Todos os modelos TTS estão na página de modelos . Os parâmetros gerais do endpoint estão em Audio Speech API.

Exemplos de chamada

Python

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="A reunião de hoje foi remarcada para as três da tarde. Por favor, cheguem no horário.",
    instructions="Leia com um tom calmo e claro, como em um noticiário.",
    response_format="wav",
) as resp:
    resp.stream_to_file("speech.wav")

Valores dos parâmetros

Resumovoice é obrigatório e recebe o nome de uma voz do Google; o formato de saída aceita apenas wav e pcm.

Parâmetro	Descrição
`voice`	Obrigatório. Nome de voz do Google, por exemplo `Kore`, `Puck`, `Zephyr`. A lista completa está na documentação oficial do Gemini · Vozes . Nomes de voz da OpenAI (por exemplo, `alloy`) não funcionam
`response_format`	`wav` (padrão) ou `pcm`, ambos em 24 kHz, 16 bits, mono. `mp3`, `opus`, `aac` e `flac` não são suportados
`instructions`	Descreve em linguagem natural o tom, a velocidade e o estilo, por exemplo “com um tom alegre”, “fale mais devagar”
`language_code`	Código de idioma, por exemplo `cmn-CN`, `en-US`; se omitido, é detectado automaticamente a partir do texto
`stream_format`	Com `sse`, o áudio é retornado em blocos via streaming, adequado para reproduzir enquanto é gerado

Se precisar de mp3, obtenha o wav e converta com ferramentas como o ffmpeg: ffmpeg -i speech.wav speech.mp3.

Latência e textos longos

Nos testes, uma frase em chinês de cerca de 20 caracteres retornou em cerca de 3 segundos. Cerca de 6000 caracteres em inglês geraram cerca de 9 minutos de áudio em cerca de 105 segundos, com um arquivo wav de cerca de 26 MB. Para textos longos, defina o timeout do cliente em 300 segundos ou mais, ou use stream_format: "sse" para receber via streaming.

Erros comuns

HTTP	Mensagem de erro original	Causa	Solução
400	`voice is required for speech completion`	`voice` não foi enviado	Envie um nome de voz, por exemplo `Kore`
400	`Request contains an invalid argument.`	O nome de voz não existe, por exemplo `alloy`	Use um nome de voz do Google
400	`unsupported Gemini response_format: mp3`	Formato não suportado	Use `wav` ou `pcm`

Mais erros em Audio Speech API.

Documentação oficial

Gemini API · Geração de fala

Perguntas frequentes

O que informar em voice no Gemini TTS?

Informe um nome de voz do Google, por exemplo Kore, Puck ou Zephyr; a lista completa está na documentação oficial do Gemini. voice é obrigatório, e vozes da OpenAI como alloy não funcionam.

O Gemini TTS pode gerar mp3?

Não. Apenas wav e pcm (24 kHz, 16 bits, mono) são suportados. Se precisar de mp3, converta por conta própria, por exemplo ffmpeg -i speech.wav speech.mp3.

Como controlar o tom no Gemini TTS?

Descreva-o em linguagem natural no parâmetro instructions, por exemplo "leia com um tom alegre" ou "calmo como em um noticiário".

O Gemini TTS retorna o erro voice is required?

O Gemini TTS exige voice, por exemplo "voice": "Kore".