Wersja preview modelu zamiany tekstu na mowę Google za pośrednictwem OrcaRouter — niskokosztowe generowanie dźwięku z tekstu.
google/gemini-2.5-flash-preview-tts to model zamiany tekstu na mowę stworzony przez Google, obecnie dostępny w wersji preview. Przekształca tekst wejściowy na audio mowy, wykorzystując architekturę…
Model zamienia tekst na mowę, obsługując typowe zadania zamiany tekstu na mowę: czytanie akapitów, generowanie voiceoverów oraz tworzenie audio na potrzeby dostępności. Naturalnie wspiera znaki interpunkcyjne i wyrażenia liczbowe. Ponieważ jest to model Flash, jest zoptymalizowany pod kątem przepustowości i może szybko przetwarzać duże ilości tekstu. Nie obsługuje transkrypcji (zamiany mowy na tekst), tłumaczenia językowego ani wejść multimodalnych. Wyjście audio nadaje się do odtwarzania w aplikacjach. W ramach tej wersji zapoznawczej nie potwierdzono konkretnych osobowości głosowych ani akcentów. Użytkownicy powinni przetestować model na własnym tekście, aby ocenić jakość i naturalność dźwięku.
Ten model sprawdza się w scenariuszach, gdzie niski koszt i niskie opóźnienie są ważniejsze niż audio o jakości studyjnej. Najlepsze przypadki użycia obejmują: generowanie narracji do krótkich filmów, podcastów i treści w mediach społecznościowych; zapewnianie dźwięku dla chatbotów i wirtualnych asystentów; tworzenie wersji audio artykułów prasowych lub wpisów na blogach; prototypowanie funkcji TTS przed inwestycją w bardziej zaawansowane modele; oraz obsługę wielojęzycznej publiczności, jeśli model wspiera potrzebne języki. Ponieważ cena tokena wyjściowego wynosi 10 dolarów za milion, jest to ekonomiczne rozwiązanie do generowania niekrytycznego dźwięku, gdzie sporadyczne artefakty są akceptowalne.
Jeśli Twój przypadek użycia wiąże się z bardzo dużymi wolumenami (np. miliony tokenów dziennie), a jakość dźwięku może być bardzo podstawowa, warto rozważyć tańszą alternatywę, taką jak Google TTS Lite lub model TTS innego dostawcy o niskich kosztach. Żaden tańszy model nie jest jednak wyraźnie wymieniony w faktach. Alternatywnie, jeśli potrzebujesz strumieniowania w czasie rzeczywistym z jak najniższym kosztem na znak, możesz ocenić modele, które naliczają opłaty za znak, a nie za token. Koszt tokena wyjściowego w tym modelu jest stosunkowo wysoki w porównaniu do kosztu wejściowego, więc scenariusze zamiany tekstu na mowę generujące długi dźwięk z krótkiego tekstu mogą być opłacalne, podczas gdy generowanie krótkiego dźwięku z długiego tekstu może być mniej opłacalne. Zawsze testuj porównawczo swoje konkretne obciążenie, aby porównać ceny.
Jeśli Twoja aplikacja wymaga dźwięku w jakości studyjnej, wyrazistych tonów emocjonalnych lub dialogów z wieloma głosami, możesz potrzebować droższego modelu TTS, takiego jak Google Cloud Text-to-Speech (WaveNet) lub Amazon Polly z głosami neuronowymi. Modele te oferują wiele opcji głosowych, obsługę SSML i wyższą naturalność, ale w wyższej cenie za znak lub za sekundę. google/gemini-2.5-flash-preview-tts to wersja zapoznawcza zoptymalizowana pod kątem szybkości i kosztów, więc może nie dorównywać precyzji dedykowanych rozwiązań TTS dla przedsiębiorstw. Przetestuj małą próbkę swojego tekstu za pomocą tego modelu w porównaniu z alternatywami, aby określić, czy jakość spełnia Twoje wymagania.
Dla tego modelu w wersji podglądowej nie opublikowano konkretnych benchmarków opóźnień. Jako wariant Gemini 2.5 Flash został zaprojektowany do wnioskowania o niskim opóźnieniu. W praktyce czas odpowiedzi zależy od długości tekstu, opóźnienia sieciowego do serwerów Google za pośrednictwem OrcaRouter oraz bieżącego obciążenia. Użytkownicy powinni spodziewać się umiarkowanie szybkiego generowania krótkich tekstów (np. kilku zdań), przy czym dłuższe teksty zajmują proporcjonalnie więcej czasu. Ponieważ wykorzystuje model Flash, powinien przewyższać wolniejsze, wysokiej jakości modele TTS, ale może nie być tak szybki jak modele ultralekkie. Aby precyzyjnie zmierzyć opóźnienia, przeprowadź testy obciążeniowe z typowymi rozmiarami wejściowymi przy użyciu API OrcaRouter.
Na podstawie publicznych informacji o Gemini 2.5 Flash, mocne strony obejmują szybkie wnioskowanie, efektywność kosztową (niska cena tokena wejściowego) oraz naturalnie brzmiącą mowę dla lekkiego modelu. Status wersji zapoznawczej oznacza wczesny dostęp do najnowszej technologii TTS Google. Wycena bez marży za pośrednictwem OrcaRouter zapewnia, że płacisz tylko stawkę dostawcy. Ceny tokenów wejściowych ($0.50 za milion) należą do najniższych w przypadku modeli TTS. Architektura Flash oznacza również niższy ślad węglowy na żądanie w porównaniu z większymi modelami.
Ten model jest w wersji zapoznawczej, więc niezawodność i dostępność nie są gwarantowane. Nie podano żadnych wyników benchmarków (np. MOS, CER). Brakuje w nim funkcji dostępnych w dojrzałych usługach TTS: brak obsługi SSML, ograniczone opcje głosu, brak kontroli emocji, brak niestandardowego treningu głosu. Jakość wyjścia może być niespójna w różnych językach lub akcentach. Ze względu na wycenę opartą na tokenach, długie cisze lub tokeny niezawierające mowy mogą nieprzewidywalnie zwiększyć koszt. Brak informacji o formacie audio (np. WAV, MP3), częstotliwości próbkowania lub głębi bitowej. Użytkownicy powinni zweryfikować zgodność ze swoim potokiem przetwarzania dźwięku.
Rodzina modeli Gemini 2.5 Flash od Google to rodzina ogólnego przeznaczenia; wariant TTS jest wyspecjalizowany do generowania mowy. W porównaniu do ogólnego modelu Gemini Flash (który generuje tekst), wersja TTS dodaje dekoder dla tokenów audio, co czyni ją bardziej odpowiednią do audio, ale potencjalnie wolniejszą ze względu na etap dekodowania. Nie jest bezpośrednio porównywalna z modelami Flash tylko do tekstu. W przypadku TTS konkuruje z modelami takimi jak OpenAI TTS-1, Microsoft Edge TTS i alternatywami open-source. Nie są dostępne żadne porównania między modelami dla tej wersji preview, więc bezpośrednie porównania są spekulatywne.
Cennik oparty jest na tokenach: 0,50 $ za 1 milion tokenów wejściowych i 10,00 $ za 1 milion tokenów wyjściowych. Tokeny wejściowe to tekst wysyłany do modelu. Tokeny wyjściowe to wygenerowane tokeny audio. OrcaRouter rozlicza według stawki dostawcy bez żadnej marży. Nie ma dodatkowych opłat za korzystanie z API poza zużyciem tokenów. Opłaty są naliczane zarówno za udane, jak i nieudane żądania, jeśli tokeny zostały przetworzone. Niewykorzystane tokeny nie są naliczane. Rozliczenia są zazwyczaj miesięczne, ale szczegóły sprawdź na swoim koncie OrcaRouter. Tokeny są liczone przez tokenizator Google, który może różnić się od innych modeli.
Tokeny wyjściowe są 20-krotnie droższe niż tokeny wejściowe (10 USD vs 0,50 USD na milion). Jest to typowe dla modeli TTS, ponieważ generowanie dźwięku jest obliczeniowo intensywne. Dlatego długie cisze lub przedłużone pauzy w wejściu mogą zwiększyć liczbę tokenów wyjściowych bez przenoszenia informacji. Optymalizacja tekstu wejściowego pod kątem zwięzłości może obniżyć koszt. Odwrotnie, koszt tokenów wejściowych jest znikomy; możesz dostarczyć szczegółowy kontekst bez większej kary. Jeśli twój przypadek użycia wymaga generowania bardzo krótkiego dźwięku z bardzo długiego tekstu (np. krótka odpowiedź z długiego dokumentu), stosunek kosztów może być korzystny.
W podanych faktach nie wymieniono żadnych konkretnych programów buforowania ani zniżek. OrcaRouter nie oferuje wbudowanego buforowania wyników modeli. Każde żądanie jest przetwarzane na świeżo przez serwery Google. Niektóre platformy oferują buforowanie identycznych żądań, ale nie zostało to potwierdzone dla OrcaRouter. W przypadku użytkowników o dużym wolumenie należy skontaktować się z OrcaRouter w celu zapytania o potencjalne zniżki wolumenowe lub zarezerwowaną przepustowość. Do tego czasu należy zakładać, że cennik za token dotyczy każdego żądania.
W porównaniu do popularnych usług TTS: Google Cloud Text-to-Speech pobiera opłaty za znak (np. $0.000004 za znak dla Standard, $0.000016 dla WaveNet). OpenAI TTS-1 pobiera $0.015 za 1000 znaków. W przeliczeniu na token: ten model kosztuje $10 za milion tokenów wyjściowych, co może być konkurencyjne dla krótkich tekstów, ale drogie dla długiego audio. Ponieważ nie podano stosunku znaków do tokenów, użytkownicy powinni przetestować na swojej treści. Zero narzutu ze strony OrcaRouter to przewaga nad interfejsami API dostawców, które dodają opłaty dodatkowe.
Korzystasz z kompatybilnego z OpenAI API OrcaRouter pod adresem bazowym https://api.orcarouter.ai/v1. Wyślij żądanie POST do endpointu chat/completions lub audio (jeśli dostępny) z ID modelu 'google/gemini-2.5-flash-preview-tts'. W przypadku standardowego TTS może być konieczne użycie dedykowanego endpointu generowania dźwięku; sprawdź dokumentację OrcaRouter, aby znaleźć właściwą ścieżkę. Dołącz swój klucz API w nagłówku Authorization. Treść żądania zazwyczaj zawiera tekst do konwersji oraz opcjonalnie parametry takie jak głos czy prędkość (jeśli obsługiwane). Audio jest zwracane jako tokeny zakodowane base64 lub adres URL do pobrania, w zależności od endpointu.
Typowe parametry obsługiwane przez kompatybilne z OpenAI API obejmują: 'model' (wymagane: 'google/gemini-2.5-flash-preview-tts'), 'messages' lub 'prompt' z tekstem, 'temperature' i 'top_p' (mogą wpływać na zmienność dźwięku, jeśli są obsługiwane), 'max_tokens' (ogranicza długość wyjścia). Jednak w przypadku TTS wiele z nich może nie mieć zastosowania. Model może obsługiwać parametry 'voice' lub 'speed'. Żadne konkretne parametry nie są udokumentowane w podanych faktach. Sprawdź dokumentację API OrcaRouter dla tego modelu. Jeśli model nie obsługuje parametru, zostanie on zignorowany lub zwróci błąd.
Jeśli migrujesz od innego dostawcy (np. Google Cloud TTS, AWS Polly, OpenAI TTS), musisz zmienić swój endpoint na https://api.orcarouter.ai/v1 oraz zaktualizować uwierzytelnianie, aby używać klucza API OrcaRouter. Zaktualizuj identyfikator modelu na 'google/gemini-2.5-flash-preview-tts'. Następnie dostosuj format żądania do schematu zgodnego z OpenAI. Na przykład, jeśli wcześniej wysyłałeś tekst w określonym polu, teraz użyjesz tablicy 'messages' lub parametru 'prompt'. Format wyjściowy audio może się różnić; może być konieczne parsowanie odpowiedzi base64. Przetestuj na małym żądaniu przed migracją ruchu produkcyjnego.
OrcaRouter udostępnia interfejs API zgodny z OpenAI z prawdopodobnymi punktami końcowymi: /v1/chat/completions do przetwarzania tekst-na-tekst i ewentualnie /v1/audio/speech do TTS. Dla tego modelu odpowiednim punktem końcowym jest prawdopodobnie punkt końcowy mowy audio. Jeśli nie jest dostępny, może być konieczne użycie punktu końcowego completions ze specjalnymi parametrami. Fakty wskazują, że model jest dostępny przez interfejs API OrcaRouter zgodny z OpenAI pod adresem base_url https://api.orcarouter.ai/v1 z identyfikatorem modelu 'google/gemini-2.5-flash-preview-tts'. Potwierdź w dokumentacji OrcaRouter, którego punktu końcowego należy użyć do generowania dźwięku.
Google Cloud TTS oferuje wiele typów głosów (Standard, WaveNet, Studio) z obsługą SSML, możliwością tworzenia niestandardowych głosów oraz szerokim zakresem języków. Cennik jest oparty na liczbie znaków. Ten model podglądowy (gemini-2.5-flash-preview-tts) używa rozliczeń na podstawie tokenów i jest wariantem Flash zoptymalizowanym pod kątem szybkości i niskiego kosztu. Jest prawdopodobnie mniej bogaty w funkcje niż Cloud TTS, ale może być bardziej opłacalny w przypadku prostych, wysokonakładowych zastosowań TTS. google/gemini-2.5-flash-preview-tts jest wersją podglądową, podczas gdy Cloud TTS jest ogólnie dostępny z umowami SLA. Jeśli potrzebujesz niezawodności i zaawansowanych funkcji, Cloud TTS jest bezpieczniejszym wyborem; jeśli zależy Ci na niskim opóźnieniu i niskim koszcie, wypróbuj ten model.
OpenAI TTS-1 pobiera opłatę w wysokości $0.015 za 1000 znaków. Oba modele generują dźwięk z tekstu. Model OpenAI jest znany z ekspresyjnych głosów i szerokiego zastosowania, ale ma inny model cenowy (za znak). google/gemini-2.5-flash-preview-tts stosuje ceny za token, co może być tańsze dla bardzo krótkiego tekstu, ale droższe dla długiego tekstu (ponieważ jeden znak może odpowiadać wielu tokenom). OpenAI TTS-1 jest stabilny i gotowy do produkcji, podczas gdy model Google jest wersją zapoznawczą. Możesz używać obu za pośrednictwem OrcaRouter, przełączając identyfikatory modeli. Przetestuj swój konkretny przypadek użycia, aby porównać koszt i jakość dźwięku.
Modele TTS open-source, takie jak Coqui TTS, Piper czy Bark, są darmowe, ale wymagają hostingu, utrzymania i zasobów GPU. Oferują możliwość dostosowania, ale brakuje im szybkości i prostoty wywołania API. google/gemini-2.5-flash-preview-tts przez OrcaRouter eliminuje narzut infrastruktury i oferuje model płatności za użycie. W przypadku projektów hobbystycznych open-source może być tańsze; w produkcji wymagającej minimalnych opóźnień i zarządzania, API jest prostsze. Szybkość i koszt modelu zapoznawczego mogą być konkurencyjne w stosunku do niektórych modeli open-source, biorąc pod uwagę koszty hostingu.
Amazon Polly oferuje różnorodne głosy, obsługę SSML oraz darmowy poziom (5 milionów znaków miesięcznie). Cennik jest oparty na liczbie znaków (Standard $0,000004, Neural $0,000016). google/gemini-2.5-flash-preview-tts działa w modelu tokenowym, a jego status zapowiedzi oznacza brak umów SLA i darmowego poziomu. Przy niskim wolumenie korzystny jest darmowy poziom Polly. Przy wysokim wolumenie cennik tokenowy tego modelu może być tańszy lub droższy w zależności od kompresji. Polly obsługuje wiele języków i funkcji, takich jak leksykony wymowy. Ten model jest prostszy, ale szybszy i tańszy w zależności od sposobu użytkowania.
Zgodne z OpenAI — zostań przy swoim SDK
https://api.orcarouter.ai/v1voice| Wejście / 1M tokenów | $0.500 |
|---|---|
| Wyjście / 1M tokenów | $10.00 |
| Waluta | USD |
Szacunek na podstawie cennika
Tylko szacunek — rzeczywista liczba tokenów zależy od tokenizatora dostawcy.
O czym mówią programiści w tym tygodniu
GET /api/public/models/google/gemini-2.5-flash-preview-ttsOtwórz @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