Озвучка текста (TTS): как использовать

POST /v1/audio/speech превращает текст до 4096 символов в звук и возвращает бинарное аудио-тело — mp3, wav или pcm, не JSON. Модель — google/gemini-2.5-flash-preview-tts; голос задаётся привычными OpenAI-именами (alloy, coral, echo, nova, onyx, shimmer) или родными именами Gemini. Списание — после успешного ответа, по фактическому расходу.

Как озвучить текст?

Тело ответа — сразу байты аудио, заголовок Content-Type соответствует формату (audio/mpeg, audio/wav или audio/pcm). Все поля запроса — в референсе audio/speech.

Какие голоса доступны?

OpenAI-имена маппятся на голоса Gemini:

Родные имена Gemini (Puck, Kore, Charon и другие) тоже принимаются — можно передать их прямо в voice. Неизвестное или пустое имя не роняет запрос: подставится дефолтный голос Kore.

Какие форматы аудио есть?

response_format: mp3 (по умолчанию), wav, pcm. Для веба и мессенджеров хватает mp3; wav и pcm пригодятся, если аудио пойдёт дальше в обработку — например, в собственный пайплайн монтажа.

Работают ли speed и instructions?

Работают, с оговоркой:

• speed (0.25-4.0) — у Gemini нет прямого параметра скорости, поэтому значение передаётся модели голосовой инструкцией «говори быстрее/медленнее». Результат приблизительный, не жёсткий множитель.
• instructions — дополнительное указание тону и подаче («читай как диктор новостей»). Дефолтная инструкция уже встроена (без неё Gemini TTS отвечает текстом вместо озвучки), ваша строка её дополняет, а не заменяет.

Сколько стоит озвучка?

Списание — по фактическому usage провайдера, как у текстовых моделей; если провайдер usage не вернул, расход оценивается по длине входного текста. Тариф модели — на странице цен для разработчиков, ошибки и лимиты — в гайде «Ошибки API». Послушать голоса без кода можно в озвучке на сайте.