Gemini 2.5 Flash TTS API — озвучка текста через /v1/audio/speech

Gemini 2.5 Flash Preview TTS — модель озвучки текста от Google. Через Trackly AI она доступна по OpenAI-совместимому эндпоинту /v1/audio/speech: привычные голоса alloy, coral, nova, форматы mp3, wav и pcm, оплата в рублях с российской карты, работает без VPN. Подходит для озвучки статей, роликов, уроков и голосовых ответов ботов.

Что умеет Gemini TTS и где она пригодится?

Модель превращает текст до 4096 символов в естественную речь; русский язык поддерживается. Голос задаётся OpenAI-именем — alloy, coral, echo, nova, onyx, shimmer маппятся на родные голоса Gemini (Puck, Kore, Charon, Aoede, Fenrir, Leda) — либо родным именем напрямую. Тон и подачу можно менять полем instructions: например, «читай как диктор новостей».

Типовые сценарии: аудиоверсии статей и постов, закадровый голос для роликов, озвучка уроков и курсов, голосовые ответы в ботах и IVR.

Как озвучить текст через API?

Формат OpenAI-совместимый: официальный SDK OpenAI, base_url = https://api.trackly.one/v1, ключ из личного кабинета:

with client.audio.speech.with_streaming_response.create(
    model="google/gemini-2.5-flash-preview-tts",
    voice="coral",
    input="Привет! Это тестовая озвучка текста.",
) as response:
    response.stream_to_file("speech.mp3")

Ответ — сразу бинарное аудио, не JSON: mp3 по умолчанию, response_format переключает на wav или pcm. Первый запрос — по Quick start, все поля и маппинг голосов — в гайде по озвучке. Списание — после успешного ответа по фактическому расходу; при ошибке провайдера списания нет.

Чем TTS-модель отличается от текстовых Gemini?

	Gemini 2.5 Flash TTS	Gemini 2.5 Flash / Pro
Задача	текст → речь	текст и картинки → текст
Эндпоинт	/v1/audio/speech	/v1/chat/completions
Ответ	бинарное аудио: mp3, wav, pcm	JSON или SSE-стрим
Диалог и контекст	нет: один запрос — одна озвучка	да: история сообщений

Текст для озвучки удобно готовить «текстовыми сёстрами» линейки: черновик и сокращение — быстрый Gemini 2.5 Flash, сложный сценарий — Gemini 2.5 Pro, а готовый результат отдавать в TTS.

Что модель делает плохо?

• Лимит входа — 4096 символов: длинный текст придётся резать на части и склеивать аудио на своей стороне.
• Параметр speed работает приблизительно: у Gemini нет жёсткого множителя скорости, значение передаётся модели голосовой инструкцией «говори быстрее или медленнее».
• Распознавать речь модель не умеет — только синтез, обратной задачи (STT) в каталоге пока нет.
• Это preview-версия Google: список голосов и нюансы интонаций могут меняться со временем.

Кому подойдёт эта модель?

Если нужна озвучка через API с оплатой в рублях и без VPN — это основная TTS-модель нашего каталога. Стоимость запроса видна в калькуляторе выше, тарифы всех моделей — на странице цен. Послушать голоса без кода и подобрать подходящий можно в озвучке на сайте.