El modelo de texto a voz en vista previa de Google a través de OrcaRouter — generación de audio de bajo costo a partir de texto de entrada.
google/gemini-2.5-flash-preview-tts es un modelo de texto a voz desarrollado por Google, actualmente en vista previa. Convierte entrada de texto en audio de voz, aprovechando la arquitectura Gemini…
El modelo convierte texto en voz, manejando tareas típicas de texto a voz: leer párrafos, generar locuciones y crear audio para accesibilidad. Soporta expresiones de puntuación y numéricas de forma natural. Debido a que es un modelo Flash, está optimizado para rendimiento y puede procesar grandes volúmenes de texto rápidamente. No admite transcripción (voz a texto), traducción de idiomas ni entradas multimodales. La salida de audio es adecuada para reproducción en aplicaciones. No se confirman personalidades de voz ni acentos específicos para esta vista previa. Los usuarios deben probar con su propio texto para evaluar la calidad y naturalidad del audio.
Este modelo destaca en escenarios donde el bajo costo y la baja latencia son más importantes que el audio de calidad de estudio. Los mejores casos de uso incluyen: generar narración para videos cortos, podcasts y contenido de redes sociales; proporcionar audio para chatbots y asistentes virtuales; crear versiones de audio de artículos de noticias o publicaciones de blog; prototipar funciones TTS antes de invertir en modelos de gama alta; y atender a audiencias multilingües si el modelo admite los idiomas necesarios. Debido a que el precio del token de salida es de $10 por millón, resulta económico para generar audio no crítico donde los artefactos ocasionales son aceptables.
Si su caso de uso implica volúmenes extremadamente altos (por ejemplo, millones de tokens por día) y la calidad de audio puede ser muy básica, podría considerar una alternativa más económica como Google TTS Lite o el modelo de TTS de bajo costo de otro proveedor. Sin embargo, en los hechos no se proporciona explícitamente ningún modelo más barato. Alternativamente, si necesita transmisión en tiempo real con el menor costo posible por carácter, podría evaluar modelos que cobran por carácter en lugar de por token. El costo de token de salida de este modelo es relativamente alto en comparación con el costo de entrada, por lo que los escenarios de texto a voz que generan audio largo a partir de texto corto pueden ser rentables, mientras que generar audio corto a partir de texto largo podría serlo menos. Siempre evalúe su carga de trabajo específica para comparar precios.
Si su aplicación requiere audio de calidad profesional, tonos emocionales expresivos o diálogos con múltiples voces, es posible que necesite un modelo TTS más costoso, como Google Cloud Text-to-Speech (WaveNet) o Amazon Polly con voces neuronales. Estos modelos ofrecen múltiples opciones de voz, soporte para SSML y mayor naturalidad, pero con precios más altos por carácter o por segundo. google/gemini-2.5-flash-preview-tts es una versión preliminar optimizada para velocidad y costo, por lo que podría no igualar el matiz de las soluciones TTS empresariales dedicadas. Evalúe una pequeña muestra de su texto con este modelo frente a alternativas para determinar si la calidad cumple con sus requisitos.
No se publican puntos de referencia de latencia específicos para este modelo de vista previa. Como variante de Gemini 2.5 Flash, está diseñado para inferencia de baja latencia. En la práctica, el tiempo de respuesta depende de la longitud del texto, la latencia de red hacia los servidores de Google a través de OrcaRouter y la carga actual. Los usuarios deben esperar una generación moderadamente rápida para textos cortos (por ejemplo, unas pocas frases), y los textos más largos tardarán proporcionalmente más. Al usar un modelo Flash, debería superar a los modelos TTS más lentos y de alta calidad, pero puede no ser tan rápido como los modelos ultraligeros. Para una medición precisa de la latencia, ejecute pruebas de carga con tamaños de entrada típicos usando la API de OrcaRouter.
Según información pública sobre Gemini 2.5 Flash, sus puntos fuertes incluyen inferencia rápida, eficiencia en costos (precio bajo por token de entrada) y un habla con sonido natural para un modelo ligero. El estado de vista previa significa acceso temprano a la última tecnología TTS de Google. La fijación de precios sin margen a través de OrcaRouter garantiza que pagues solo la tarifa del proveedor. El precio del token de entrada ($0.50 por millón) se encuentra entre los más bajos para modelos TTS. La arquitectura Flash también implica una menor huella de carbono por solicitud en comparación con modelos más grandes.
Este modelo está en vista previa, por lo que no se garantiza su fiabilidad ni disponibilidad. No se proporcionan puntuaciones de referencia (p. ej., MOS, CER). Carece de funciones presentes en servicios TTS maduros: no admite SSML, opciones de voz limitadas, sin control de emociones, sin entrenamiento de voz personalizado. La calidad de salida puede ser inconsistente entre diferentes idiomas o acentos. Debido al precio basado en tokens, los silencios prolongados o los tokens no relacionados con el habla podrían aumentar el costo de forma impredecible. No hay información sobre el formato de audio (p. ej., WAV, MP3), la frecuencia de muestreo o la profundidad de bits. Los usuarios deben verificar la compatibilidad con su flujo de procesamiento de audio.
Google's Gemini 2.5 Flash es una familia de propósito general; la variante TTS está especializada en la generación de voz. En comparación con un modelo Gemini Flash genérico (que produce texto), la versión TTS añade un decodificador para tokens de audio, lo que la hace más adecuada para audio pero potencialmente más lenta debido al paso de decodificación. No es directamente comparable con los modelos Flash solo de texto. Para TTS en particular, compite con modelos como OpenAI TTS-1, Microsoft Edge TTS y alternativas de código abierto. No hay evaluaciones comparativas entre modelos disponibles para esta vista previa, por lo que las comparaciones directas son especulativas.
El precio es por token: $0.50 por cada 1 millón de tokens de entrada y $10.00 por cada 1 millón de tokens de salida. Los tokens de entrada son el texto que envías al modelo. Los tokens de salida son los tokens de audio generados. OrcaRouter factura a la tarifa del proveedor sin margen de beneficio. No hay cargos adicionales por usar la API más allá del consumo de tokens. Se incurre en cargos tanto para solicitudes exitosas como fallidas si se procesan tokens. Los tokens no utilizados no se cobran. La facturación suele ser mensual, pero verifica los detalles en tu cuenta de OrcaRouter. Los tokens se cuentan mediante el tokenizador de Google, que puede variar respecto a otros modelos.
Los tokens de salida son 20 veces más caros que los tokens de entrada ($10 vs $0.50 por millón). Esto es típico para los modelos TTS porque generar audio requiere un uso intensivo de cómputo. Por lo tanto, los silencios largos o las pausas extendidas en la entrada pueden aumentar el conteo de tokens de salida sin transmitir información. Optimizar el texto de entrada para que sea conciso puede reducir el costo. Por el contrario, el costo de los tokens de entrada es insignificante; se podría proporcionar contexto detallado sin mucha penalización. Si su caso de uso requiere generar audio muy corto a partir de texto muy largo (por ejemplo, una respuesta breve de un documento extenso), la relación de costo puede ser favorable.
No se mencionan programas específicos de almacenamiento en caché o descuentos en los datos proporcionados. OrcaRouter no ofrece almacenamiento en caché integrado para las salidas del modelo. Cada solicitud se procesa de manera nueva por los servidores de Google. Algunas plataformas ofrecen almacenamiento en caché de solicitudes idénticas, pero esto no está confirmado para OrcaRouter. Para usuarios de alto volumen, contacte a OrcaRouter para consultar sobre posibles descuentos por volumen o capacidad reservada. Hasta entonces, asuma que se aplica el precio por token a cada solicitud.
En comparación con los servicios comunes de TTS: Google Cloud Text-to-Speech cobra por carácter (por ejemplo, $0.000004 por carácter para Standard, $0.000016 para WaveNet). OpenAI TTS-1 cobra $0.015 por cada 1000 caracteres. Convertido a por token: los $10 de este modelo por millón de tokens de salida pueden ser competitivos para textos cortos pero costosos para audio largo. Dado que no se proporciona una relación carácter-token, los usuarios deberían probar con su contenido. El margen cero de OrcaRouter es una ventaja sobre las APIs de proveedores que añaden sobrecostos.
Usas la API compatible con OpenAI de OrcaRouter en la URL base https://api.orcarouter.ai/v1. Envía una solicitud POST al endpoint de chat/completions o de audio (si está disponible) con el ID de modelo 'google/gemini-2.5-flash-preview-tts'. Para TTS estándar, es posible que necesites usar un endpoint dedicado de generación de audio; consulta la documentación de OrcaRouter para la ruta correcta. Incluye tu clave API en el encabezado Authorization. El cuerpo de la solicitud normalmente contiene el texto a convertir y, opcionalmente, parámetros como voz o velocidad (si son compatibles). El audio se devuelve como tokens codificados en base64 o una URL de descarga, según el endpoint.
Los parámetros comunes compatibles con las API compatibles con OpenAI incluyen: 'model' (obligatorio: 'google/gemini-2.5-flash-preview-tts'), 'messages' o 'prompt' con el texto, 'temperature' y 'top_p' (pueden afectar la variación de audio si son compatibles), 'max_tokens' (limita la longitud de salida). Sin embargo, para TTS, muchos de estos pueden no aplicarse. El modelo podría admitir los parámetros 'voice' o 'speed'. No se documentan parámetros específicos en los hechos proporcionados. Consulte la referencia de API de OrcaRouter para este modelo. Si el modelo no admite un parámetro, será ignorado o devolverá un error.
Si está migrando desde otro proveedor (p. ej., Google Cloud TTS, AWS Polly, OpenAI TTS), debe cambiar su endpoint a https://api.orcarouter.ai/v1 y actualizar su autenticación para usar la clave de API de OrcaRouter. Actualice el identificador del modelo a 'google/gemini-2.5-flash-preview-tts'. Luego, adapte el formato de su solicitud al esquema compatible con OpenAI. Por ejemplo, si anteriormente enviaba texto en un campo específico, ahora usará el arreglo 'messages' o el parámetro 'prompt'. El formato de salida de audio puede diferir; es posible que necesite analizar respuestas en base64. Pruebe con una solicitud pequeña antes de migrar el tráfico de producción.
OrcaRouter proporciona una API compatible con OpenAI con puntos finales probables: /v1/chat/completions para texto a texto, y posiblemente /v1/audio/speech para TTS. Para este modelo, el punto final apropiado es probablemente el punto final de audio speech. Si eso no está disponible, es posible que deba usar el punto final de completions con parámetros especiales. Los hechos indican que el modelo se accede a través de la API compatible con OpenAI de OrcaRouter en base_url https://api.orcarouter.ai/v1 con el id de modelo 'google/gemini-2.5-flash-preview-tts'. Confirme con la documentación de OrcaRouter qué punto final usar para generar audio.
Google Cloud TTS ofrece múltiples tipos de voz (Standard, WaveNet, Studio) con soporte para SSML, creación de voz personalizada y una amplia variedad de idiomas. El precio se calcula por carácter. Este modelo de vista previa (gemini-2.5-flash-preview-tts) utiliza facturación basada en tokens y es una variante Flash optimizada para velocidad y bajo costo. Es probable que tenga menos funciones que Cloud TTS, pero puede ser más rentable para TTS simples y de alto volumen. google/gemini-2.5-flash-preview-tts es una vista previa, mientras que Cloud TTS está generalmente disponible con SLA. Si necesitas fiabilidad y funciones avanzadas, Cloud TTS es más seguro; si deseas baja latencia y bajo costo, prueba este modelo.
OpenAI TTS-1 cobra $0.015 por cada 1000 caracteres. Ambos modelos generan audio a partir de texto. El modelo de OpenAI es conocido por sus voces expresivas y su amplia adopción, pero tiene un modelo de precios diferente (por carácter). google/gemini-2.5-flash-preview-tts utiliza precios por token, lo que puede resultar más barato para textos muy cortos, pero más caro para textos largos (ya que un carácter puede equivaler a varios tokens). OpenAI TTS-1 es estable y está listo para producción, mientras que el modelo de Google es una vista previa. Puedes usar ambos a través de OrcaRouter cambiando los IDs de los modelos. Prueba tu caso de uso específico para comparar el costo y la calidad del audio.
Los modelos TTS de código abierto como Coqui TTS, Piper o Bark son gratuitos, pero requieren alojamiento, mantenimiento y recursos de GPU. Ofrecen personalización, pero carecen de la velocidad y simplicidad de una llamada a una API. google/gemini-2.5-flash-preview-tts a través de OrcaRouter elimina la sobrecarga de infraestructura y ofrece un modelo de pago por uso. Para proyectos de hobby, el código abierto puede ser más barato; para producción con latencia mínima y gestión reducida, la API es más fácil. La velocidad y el costo del modelo de vista previa pueden ser competitivos con algunos modelos de código abierto si se tienen en cuenta los costos de alojamiento.
Amazon Polly ofrece una variedad de voces, soporte SSML y un nivel gratuito (5 millones de caracteres por mes). El precio es por carácter (Estándar $0.000004, Neural $0.000016). google/gemini-2.5-flash-preview-tts se basa en tokens, y su estado de vista previa significa que no tiene SLA ni nivel gratuito. Para uso de bajo volumen, el nivel gratuito de Polly es atractivo. Para alto volumen, el precio por token de este modelo puede ser más barato o más caro según la compresión. Polly admite muchos idiomas y funciones como léxicos de pronunciación. Este modelo es más simple pero más rápido y de menor costo según el uso.
Compatible con OpenAI: conserva tu SDK actual
https://api.orcarouter.ai/v1voice| Entrada / 1M tokens | $0.500 |
|---|---|
| Salida / 1M tokens | $10.00 |
| Moneda | USD |
Estimación según precio de lista
Solo una estimación: el número real de tokens depende del tokenizador del proveedor.
De qué hablan los desarrolladores esta semana
GET /api/public/models/google/gemini-2.5-flash-preview-ttsAbrir @misc{orcarouter_gemini_2_5_flash_preview_tts,
title = {google/gemini-2.5-flash-preview-tts API},
author = {google},
year = {n.d.},
howpublished = {OrcaRouter},
url = {https://www.orcarouter.ai/models/google/gemini-2.5-flash-preview-tts}
}google. (n.d.). google/gemini-2.5-flash-preview-tts API. OrcaRouter. https://www.orcarouter.ai/models/google/gemini-2.5-flash-preview-tts