Googleのプレビューのテキスト読み上げモデル経由OrcaRouter — テキスト入力からの低コストな音声生成。
google/gemini-2.5-flash-preview-ttsは、Googleが開発したテキスト読み上げモデルで、現在プレビュー版です。テキスト入力を音声に変換し、Gemini 2.5 Flashアーキテクチャを活用して高速な推論を実現します。このモデルは入力としてテキストのみを受け付け、出力として音声トークンを生成します。OrcaRouterのAPIを通じて利用可能で、追加のマークアップ…
このモデルはテキストを音声に変換し、段落の読み上げ、ナレーションの生成、アクセシビリティ向けの音声作成など、一般的なテキスト読み上げ（TTS）タスクを処理します。句読点や数字表現を自然にサポートします。Flashモデルであるため、スループットに最適化されており、大量のテキストを高速に処理できます。文字起こし（音声認識）、言語翻訳、マルチモーダル入力はサポートしていません。出力される音声はアプリケーションでの再生に適しています。このプレビューにおいて、特定の音声の個性やアクセントは確認されていません。ユーザーは自身のテキストでテストし、音質と自然さを評価してください。
このモデルは、低コストと低レイテンシーがスタジオ品質のオーディオよりも重要視されるシナリオで優れています。最適なユースケースは以下の通りです：短い動画、ポッドキャスト、ソーシャルメディアコンテンツのナレーション生成、チャットボットやバーチャルアシスタント向けの音声提供、ニュース記事やブログ投稿の音声版作成、高級モデルに投資する前にTTS機能を試作、そしてモデルが必要な言語をサポートしている場合の多言語ユーザーへの対応。出力トークン価格が100万トークンあたり10ドルであるため、軽微な不具合が許容される非クリティカルなオーディオ生成には経済的です。
ユースケースが非常に大量（例えば1日あたり数百万トークン）であり、音声品質が非常に基本的でよい場合、Google's TTS Liteや別のプロバイダーの低コストTTSモデルなど、より安価な代替手段を検討するかもしれません。ただし、事実として明示的に提供されている安価なモデルはありません。あるいは、文字あたりのコストを可能な限り低く抑えたリアルタイムストリーミングが必要な場合は、トークン単位ではなく文字単位で課金するモデルを評価することができます。このモデルの出力トークンコストは入力コストに比べて比較的高いため、短いテキストから長い音声を生成するテキスト読み上げシナリオではコスト効率が良い可能性がありますが、長いテキストから短い音声を生成する場合はそうではないかもしれません。常に特定のワークロードをベンチマークして価格を比較してください。
アプリケーションにスタジオ品質のオーディオ、表現力豊かな感情トーン、またはマルチボイスダイアログが必要な場合、Google Cloud Text-to-Speech (WaveNet) や Amazon Polly with neural voices のような、より高価なTTSモデルが必要になる可能性があります。これらのモデルは、複数の音声オプション、SSMLサポート、およびより高い自然性を提供しますが、文字単位または秒単位の課金が高くなります。google/gemini-2.5-flash-preview-tts は速度とコストに最適化されたプレビュー版であるため、専用エンタープライズTTSソリューションのニュアンスには及ばない可能性があります。このモデルと代替案でテキストの少量のサンプルを評価し、品質が要件を満たしているかどうかを判断してください。
このプレビューモデルについては、具体的なレイテンシベンチマークは公開されていません。Gemini 2.5 Flashのバリアントとして、低遅延推論向けに設計されています。実際の応答時間は、テキストの長さ、OrcaRouter経由のGoogleサーバーへのネットワーク遅延、および現在の負荷に依存します。短いテキスト（例：数文）では適度に高速な生成が期待でき、長いテキストではそれに比例して時間がかかります。Flashモデルを使用しているため、低速で高品質なTTSモデルよりも優れた性能を発揮しますが、超軽量モデルほど高速ではない可能性があります。正確なレイテンシを測定するには、OrcaRouterのAPIを使用して典型的な入力サイズで負荷テストを実行してください。
Gemini 2.5 Flashに関する公開情報に基づくと、その強みは高速な推論、コスト効率（低い入力トークン価格）、そして軽量モデルながら自然な響きの音声です。プレビュー状況により、Googleの最新TTS技術への早期アクセスが可能です。OrcaRouterを通じたゼロマークアップ価格設定により、プロバイダー料金のみをお支払いいただけます。入力トークン価格（100万トークンあたり0.50ドル）は、TTSモデルの中で最も低い部類です。また、Flashアーキテクチャは、大規模モデルと比較してリクエストあたりのカーボンフットプリントが低いことを意味します。
このモデルはプレビュー版のため、信頼性と可用性は保証されません。ベンチマークスコア（MOS、CERなど）は提供されていません。成熟したTTSサービスにある機能が欠けています：SSMLサポートなし、音声オプション限定、感情制御なし、カスタム音声学習なしです。出力品質は、言語やアクセントによって一貫性がない可能性があります。トークンベースの価格設定のため、長い沈黙や非音声トークンが予期せずコストを増加させる可能性があります。オーディオ形式（WAV、MP3など）、サンプルレート、ビット深度に関する情報はありません。ユーザーはご自身のオーディオ処理パイプラインとの互換性を確認してください。
GoogleのGemini 2.5 Flashは汎用ファミリーであり、TTSバリアントは音声生成に特化しています。テキストを出力する一般的なGemini Flashモデルと比較して、TTSバージョンにはオーディオトークン用のデコーダが追加されており、オーディオに対してより適切ですが、デコードステップのため潜在的に遅くなる可能性があります。テキストのみのFlashモデルとは直接比較できません。TTSに特化して言えば、OpenAI TTS-1、Microsoft Edge TTS、オープンソースの代替モデルなどと競合します。このプレビューではモデル間のベンチマークは利用できないため、直接比較は推測に過ぎません。
料金はトークンあたりです：入力トークン100万個あたり$0.50、出力トークン100万個あたり$10.00。入力トークンはモデルに送信するテキストです。出力トークンは生成されたオーディオトークンです。OrcaRouterはプロバイダーのレートで請求し、マークアップはありません。トークン消費以外にAPI使用の追加料金はありません。トークンが処理された場合、成功したリクエストと失敗したリクエストの両方に料金が発生します。未使用のトークンは課金されません。請求は通常月単位ですが、詳細はOrcaRouterアカウントをご確認ください。トークンはGoogleのトークナイザーによってカウントされ、他のモデルとは異なる場合があります。
出力トークンは入力トークンの20倍高価です（100万トークンあたり$10対$0.50）。これはTTSモデルでは典型的です。なぜなら、音声生成は計算集約的だからです。そのため、入力内の長い無音や長い休止は、情報を伝達せずに出力トークン数を増やす可能性があります。入力テキストを簡潔に最適化することでコストを削減できます。逆に、入力トークンのコストは無視できる程度です。詳細なコンテキストを提供しても大きなペナルティはありません。ユースケースが非常に長いテキストから非常に短い音声を生成する必要がある場合（例：長い文書からの短い応答）、コスト比率は有利になる可能性があります。
具体的なキャッシュや割引プログラムについては言及されていません。OrcaRouterはモデル出力の組み込みキャッシュを提供していません。各リクエストはGoogleのサーバーによって新たに処理されます。一部のプラットフォームでは同一リクエストのキャッシュを提供していますが、OrcaRouterでは確認されていません。大量利用のユーザーは、OrcaRouterに連絡して、ボリューム割引や予約容量の可能性について問い合わせてください。それまでは、すべてのリクエストにトークン単位の料金が適用されると想定してください。
一般的なTTSサービスと比較すると、Google Cloud Text-to-Speechは文字単位で課金されます（例：Standardで1文字あたり$0.000004、WaveNetで$0.000016）。OpenAI TTS-1は1000文字あたり$0.015です。これをトークン単位に換算すると、このモデルの出力トークン100万あたり$10は、短いテキストでは競争力があるかもしれませんが、長い音声には高額になります。文字とトークンの比率が示されていないため、ユーザーは自身のコンテンツでテストする必要があります。OrcaRouterのゼロマークアップは、オーバーヘッドが追加されるプロバイダーAPIに比べて有利です。
OrcaRouterのOpenAI互換APIをベースURL https://api.orcarouter.ai/v1 で使用します。モデルID 'google/gemini-2.5-flash-preview-tts' を指定して、chat/completions または audio エンドポイント（利用可能な場合）にPOSTリクエストを送信します。標準のTTSでは、専用の音声生成エンドポイントを使用する必要がある場合があります。正しいルートについてはOrcaRouterのドキュメントを参照してください。AuthorizationヘッダーにAPIキーを含めてください。リクエスト本文には通常、変換するテキストが含まれ、オプションで音声や速度などのパラメータ（サポートされている場合）を含めることができます。オーディオは、エンドポイントに応じてbase64エンコードされたトークンまたはダウンロードURLとして返されます。
OpenAI互換APIでサポートされている一般的なパラメータには、'model'（必須: 'google/gemini-2.5-flash-preview-tts'）、テキストを含む'messages'または'prompt'、'temperature'と'top_p'（サポートされている場合、音声のバリエーションに影響を与える可能性があります）、'max_tokens'（出力長を制限）が含まれます。ただし、TTSの場合、これらの多くは適用されない可能性があります。モデルは'voice'や'speed'パラメータをサポートする場合があります。提供された事実には特定のパラメータは文書化されていません。このモデルについてはOrcaRouterのAPIリファレンスを確認してください。モデルがパラメータをサポートしていない場合、無視されるかエラーが返されます。
別のプロバイダー（例：Google Cloud TTS、AWS Polly、OpenAI TTS）から移行する場合、エンドポイントを https://api.orcarouter.ai/v1 に変更し、認証を OrcaRouter API キーを使用するように更新してください。モデル識別子を 'google/gemini-2.5-flash-preview-tts' に更新します。次に、リクエスト形式を OpenAI 互換スキーマに適合させてください。例えば、以前は特定のフィールドにテキストを送信していた場合、今後は 'messages' 配列または 'prompt' パラメータを使用します。音声出力形式が異なる場合があり、base64 レスポンスを解析する必要があるかもしれません。本番トラフィックを移行する前に、小さなリクエストでテストしてください。
OrcaRouterは、OpenAI互換のAPIを提供しており、テキストからテキストへの変換には /v1/chat/completions、音声合成（TTS）には /v1/audio/speech のエンドポイントが考えられます。このモデルでは、適切なエンドポイントは音声スピーチエンドポイントである可能性が高いです。それが利用できない場合は、特別なパラメータを指定して完了エンドポイントを使用する必要があるかもしれません。事実によると、このモデルはOrcaRouterのOpenAI互換API（base_url: https://api.orcarouter.ai/v1）を介してアクセスされ、モデルIDは 'google/gemini-2.5-flash-preview-tts' です。音声を生成するためにどのエンドポイントを使用すべきか、OrcaRouterのドキュメントで確認してください。
Google Cloud TTSは、複数の音声タイプ（Standard、WaveNet、Studio）を提供し、SSML対応、カスタム音声作成、幅広い言語に対応しています。料金は1文字単位です。このプレビューモデル（gemini-2.5-flash-preview-tts）は、トークンベースの課金を使用し、速度と低コストに最適化されたFlashバリアントです。Cloud TTSほどの機能は豊富ではない可能性がありますが、単純で大量のTTSには費用対効果が高いかもしれません。google/gemini-2.5-flash-preview-ttsはプレビュー版であり、Cloud TTSはSLA付きで一般提供されています。信頼性と高度な機能が必要な場合はCloud TTSの方が安全ですが、低レイテンシと低コストを重視する場合はこのモデルをお試しください。
OpenAI TTS-1は1000文字あたり0.015ドルを課金します。どちらのモデルもテキストから音声を生成します。OpenAIのモデルは表現力豊かな音声と幅広い採用で知られていますが、料金体系は文字単位（パーキャラクター）です。google/gemini-2.5-flash-preview-ttsはトークン単位の料金で、非常に短いテキストでは安くなる可能性がありますが、長いテキストでは高くなる場合があります（1文字が複数のトークンに相当するため）。OpenAI TTS-1は安定しており実運用に適していますが、Googleのモデルはプレビュー版です。両方のモデルは、OrcaRouterでモデルIDを切り替えることで使用できます。実際のユースケースでテストして、コストと音質を比較してください。
オープンソースのTTSモデル（Coqui TTS、Piper、Barkなど）は無料ですが、ホスティング、メンテナンス、GPUリソースが必要です。カスタマイズは可能ですが、API呼び出しのような速度と簡便さには欠けます。OrcaRouter経由のgoogle/gemini-2.5-flash-preview-ttsはインフラのオーバーヘッドを排除し、従量課金モデルを提供します。趣味のプロジェクトではオープンソースの方が安価かもしれませんが、低レイテンシと管理が最小限で済む本番環境ではAPIの方が容易です。プレビューモデルの速度とコストは、ホスティングコストを考慮すると一部のオープンソースモデルと競合する可能性があります。
Amazon Pollyは、多様な音声、SSMLサポート、およびFree Tier（月間500万文字）を提供しています。料金は文字単位で、Standardは$0.000004、Neuralは$0.000016です。google/gemini-2.5-flash-preview-ttsはトークンベースであり、プレビュー段階のためSLAや無料利用枠はありません。低容量利用の場合、Pollyの無料利用枠が魅力的です。高容量利用の場合、圧縮率次第でこのモデルのトークン料金が安くなることも高くなることもあります。Pollyは多くの言語や発音辞書などの機能をサポートしています。このモデルはよりシンプルですが、使用状況によっては高速で低コストです。
OpenAI 互換——今お使いの SDK のまま
https://api.orcarouter.ai/v1voice| 入力 / 1M tokens | $0.500 |
|---|---|
| 出力 / 1M tokens | $10.00 |
| 通貨 | USD |
表示価格に基づく概算
見積もりのみ — 実際のトークン数はプロバイダーのトークナイザーに依存します。
今週の開発者の声
GET /api/public/models/google/gemini-2.5-flash-preview-tts開く @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