Skip to Content
МоделиGemini TTS

Семейство Gemini TTS

Модели синтеза речи Google Gemini вызываются через OpenAI-совместимый POST /v1/audio/speech; интонацию и стиль можно описать естественным языком.

Основные ID моделей (копируйте без изменений)
Gemini 3.8 Flash TTSgoogle/gemini-3.8-flash-tts
Gemini 3.8 Flash-Lite TTSgoogle/gemini-3.8-flash-lite-ttsНиже цена

Все TTS-модели перечислены на странице моделей . Общие параметры эндпоинта описаны в разделе Audio Speech API.

Примеры вызова

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="Сегодняшнее совещание перенесено на три часа дня, просьба не опаздывать.", instructions="Читай спокойным, чётким тоном, как диктор новостей.", response_format="wav", ) as resp: resp.stream_to_file("speech.wav")

Значения параметров

Краткоvoice обязателен, значение — название голоса Google; формат вывода — только wav или pcm.
ПараметрОписание
voiceОбязательный. Название голоса Google, например Kore, Puck, Zephyr. Полный список — в официальной документации Gemini · Голоса . Названия голосов OpenAI (например, alloy) не подходят
response_formatwav (по умолчанию) или pcm, оба — 24 кГц, 16 бит, моно. mp3, opus, aac и flac не поддерживаются
instructionsОписание интонации, темпа и стиля на естественном языке, например «бодрым тоном», «медленнее»
language_codeКод языка, например cmn-CN, en-US; если не передан, определяется по тексту автоматически
stream_formatПри значении sse аудио возвращается потоковыми фрагментами — удобно для воспроизведения по ходу генерации

Если нужен mp3, получите wav и сконвертируйте его, например, с помощью ffmpeg: ffmpeg -i speech.wav speech.mp3.

Время генерации и длинные тексты

В наших тестах фраза на китайском длиной около 20 иероглифов возвращалась примерно за 3 секунды. Английский текст длиной около 6000 символов дал примерно 9 минут аудио, генерация заняла около 105 секунд, а wav-файл весил около 26 МБ; для длинных текстов установите таймаут клиента от 300 секунд или получайте аудио потоком через stream_format: "sse".

Распространённые ошибки

HTTPТекст ошибкиПричинаРешение
400voice is required for speech completionНе передан voiceПередайте название голоса, например Kore
400Request contains an invalid argument.Голос с таким названием не существует, например передан alloyИспользуйте название голоса Google
400unsupported Gemini response_format: mp3Формат не поддерживаетсяИспользуйте wav или pcm

Другие ошибки — в разделе Audio Speech API.

Официальная документация

Часто задаваемые вопросы

Что указывать в voice для Gemini TTS?

Название голоса Google, например Kore, Puck, Zephyr; полный список — в официальной документации Gemini. voice обязателен, голоса OpenAI вроде alloy не подходят.

Может ли Gemini TTS выдавать mp3?

Нет, поддерживаются только wav и pcm (24 кГц, 16 бит, моно). Если нужен mp3, сконвертируйте файл самостоятельно, например: ffmpeg -i speech.wav speech.mp3.

Как управлять интонацией в Gemini TTS?

Опишите её естественным языком в параметре instructions, например «читай бодрым тоном» или «спокойно, как диктор новостей».

Gemini TTS возвращает ошибку voice is required — что делать?

Для Gemini TTS параметр voice обязателен, например "voice": "Kore".

Обновлено