Googles förhandsvisningsmodell för text-till-tal via OrcaRouter — lågkostnadsljudgenerering från textinmatning.
google/gemini-2.5-flash-preview-tts är en text-till-tal-modell utvecklad av Google, för närvarande i förhandsvisning. Den omvandlar textinmatning till talljud med hjälp av Gemini 2.5…
Modellen omvandlar text till tal och hanterar typiska text-till-tal-uppgifter: läsa stycken, generera voiceovers och skapa ljud för tillgänglighet. Den hanterar skiljetecken och numeriska uttryck på ett naturligt sätt. Eftersom det är en Flash-modell är den optimerad för genomströmning och kan bearbeta stora mängder text snabbt. Den stöder inte transkription (tal-till-text), språköversättning eller multimodala inmatningar. Ljudutgången är lämplig för uppspelning i applikationer. Inga specifika röstpersonligheter eller accenter har bekräftats för denna förhandsvisning. Användare bör testa med sin egen text för att bedöma ljudkvalitet och naturlighet.
Denna modell utmärker sig i scenarier där låg kostnad och låg latens är viktigare än ljudkvalitet i studioklass. Bästa användningsområden inkluderar: generering av berättarröst för korta videor, podcasts och sociala medieinnehåll; tillhandahållande av ljud för chattbotar och virtuella assistenter; skapande av ljudversioner av nyhetsartiklar eller blogginlägg; prototypframställning av TTS-funktioner innan man investerar i mer avancerade modeller; och att betjäna flerspråkiga målgrupper om modellen stöder de nödvändiga språken. Eftersom priset för utdatatoken är $10 per miljon, är den ekonomisk för att generera icke-kritiskt ljud där enstaka artefakter är acceptabla.
Om ditt användningsfall innebär extremt höga volymer (t.ex. miljoner tokens per dag) och ljudkvaliteten kan vara mycket grundläggande, kan du överväga ett billigare alternativ som Googles TTS Lite eller en annan leverantörs lågkostnads-TTS-modell. Däremot finns ingen billigare modell explicit angiven i fakta. Alternativt, om du behöver realtidsströmning med lägsta möjliga kostnad per tecken, kan du utvärdera modeller som tar betalt per tecken snarare än per token. Denna modells kostnad för output-tokens är relativt hög jämfört med kostnaden för input, så text-till-tal-scenarier som genererar långt ljud från kort text kan vara kostnadseffektiva, medan generering av kort ljud från lång text kan vara mindre så. Benchmarka alltid din specifika arbetsbelastning för att jämföra priser.
Om din applikation kräver ljud i studiokvalitet, uttrycksfulla känslotoner eller dialoger med flera röster, kan du behöva en dyrare TTS-modell som Google Cloud Text-to-Speech (WaveNet) eller Amazon Polly med neurala röster. Dessa modeller erbjuder flera röstalternativ, SSML-stöd och högre naturlighet, men till ett högre pris per tecken eller per sekund. google/gemini-2.5-flash-preview-tts är en förhandsgranskning optimerad för hastighet och kostnad, så den kanske inte matchar nyanserna hos dedikerade företags-TTS-lösningar. Utvärdera ett litet urval av din text med denna modell jämfört med alternativ för att avgöra om kvaliteten uppfyller dina krav.
Det finns inga specifika latensriktmärken publicerade för denna förhandsgranskningsmodell. Som en Gemini 2.5 Flash-variant är den utformad för inferens med låg latens. I praktiken beror svarstiden på textlängd, nätverkslatens till Googles servrar via OrcaRouter och nuvarande belastning. Användare bör förvänta sig måttligt snabb generering för korta texter (t.ex. några meningar), med längre texter som tar proportionerligt längre tid. Eftersom den använder en Flash-modell bör den överträffa långsammare högkvalitativa TTS-modeller men kanske inte vara lika snabb som ultralätta modeller. För exakt latensmätning, kör belastningstester med typiska indatastorlekar med hjälp av OrcaRouters API.
Baserat på offentlig information om Gemini 2.5 Flash inkluderar styrkorna snabb inferens, kostnadseffektivitet (lågt pris per inmatningstoken) och naturligt klingande tal för en lättviktig modell. Förhandsstatusen innebär tidig åtkomst till Googles senaste TTS-teknik. Den nollpåslagsprissättningen via OrcaRouter garanterar att du endast betalar leverantörens taxa. Priset per inmatningstoken ($0.50 per miljon) är bland de lägsta för TTS-modeller. Flash-arkitekturen innebär även lägre koldioxidavtryck per begäran jämfört med större modeller.
Denna modell är i förhandsversion, så tillförlitlighet och tillgänglighet garanteras inte. Inga riktmärken (t.ex. MOS, CER) tillhandahålls. Den saknar funktioner som finns i mogna TTS-tjänster: inget SSML-stöd, begränsade röstalternativ, ingen känslostyrning, ingen anpassad röstträning. Utgångskvaliteten kan vara inkonsekvent över olika språk eller accenter. På grund av tokenbaserad prissättning kan långa tystnader eller icke-tal-tokens öka kostnaden oförutsägbart. Det finns ingen information om ljudformat (t.ex. WAV, MP3), samplingsfrekvens eller bitdjup. Användare bör verifiera kompatibilitet med sin ljudbearbetningskedja.
Googles Gemini 2.5 Flash är en allmän familj; TTS-varianten är specialiserad för talgenerering. Jämfört med en generisk Gemini Flash-modell (som producerar text) lägger TTS-versionen till en avkodare för ljudtokens, vilket gör den mer lämplig för ljud men potentiellt långsammare på grund av avkodningssteget. Den är inte direkt jämförbar med text-only Flash-modeller. För TTS specifikt konkurrerar den med modeller som OpenAI TTS-1, Microsoft Edge TTS och öppen källkodsalternativ. Inga benchmark-tester över modeller finns tillgängliga för denna förhandsvisning, så direkta jämförelser är spekulativa.
Prissättning per token: 0,50 USD per 1 miljon inmatningstoken och 10,00 USD per 1 miljon utmatningstoken. Inmatningstoken är texten du skickar till modellen. Utmatningstoken är de ljudtoken som genereras. OrcaRouter fakturerar till leverantörens taxa med noll påslag. Det tillkommer inga avgifter för att använda API:et utöver tokenförbrukning. Avgifter debiteras för både lyckade och misslyckade förfrågningar om token bearbetas. Oanvända token debiteras inte. Fakturering sker vanligtvis månadsvis, men kontrollera ditt OrcaRouter-konto för detaljer. Token räknas av Googles tokeniserare, vilket kan variera från andra modeller.
Utmatningstokens är 20 gånger dyrare än inmatningstokens ($10 mot $0,50 per miljon). Detta är typiskt för TTS-modeller eftersom ljudgenerering är beräkningsintensiv. Därför kan långa tystnader eller utdragna pauser i inmatningen öka antalet utmatningstokens utan att bära information. Att optimera inmatningstexten till att vara koncis kan minska kostnaden. Omvänt är kostnaden för inmatningstokens försumbar; du kan tillhandahålla detaljerad kontext utan större påföljd. Om ditt användningsfall kräver generering av mycket kort ljud från mycket lång text (t.ex. ett kort svar från ett långt dokument), kan kostnadsförhållandet vara fördelaktigt.
Inga specifika cachnings- eller rabattprogram nämns i de angivna fakta. OrcaRouter erbjuder inte inbyggd cachning för modellutdata. Varje begäran bearbetas färskt av Googles servrar. Vissa plattformar erbjuder cachning av identiska begäranden, men detta är inte bekräftat för OrcaRouter. För användare med hög volym, kontakta OrcaRouter för att fråga om eventuella volymbaserade rabatter eller reserverad kapacitet. Fram till dess, antag att per-token-prissättning gäller för varje begäran.
Jämfört med vanliga TTS-tjänster: Google Cloud Text-to-Speech tar betalt per tecken (t.ex. $0.000004 per tecken för Standard, $0.000016 för WaveNet). OpenAI TTS-1 tar $0.015 per 1000 tecken. Omräknat per token: denna modells $10 per miljon utdatatokens kan vara konkurrenskraftigt för korta texter men dyrt för långt ljud. Eftersom inget förhållande mellan tecken och token anges, bör användare testa med sitt eget innehåll. Den noll påslag från OrcaRouter är en fördel jämfört med leverantörs-API:er som lägger på extra kostnader.
Du använder OrcaRouter's OpenAI-kompatibelt API vid bas-URL https://api.orcarouter.ai/v1. Skicka en POST-begäran till chat/completions- eller audio-slutpunkten (om tillgänglig) med modell-ID 'google/gemini-2.5-flash-preview-tts'. För standard-TTS kan du behöva använda en dedikerad slutpunkt för ljudgenerering; konsultera OrcaRouters dokumentation för rätt väg. Inkludera din API-nyckel i Authorization-huvudet. Begärandekroppen innehåller vanligtvis texten som ska konverteras, och eventuellt parametrar som röst eller hastighet (om det stöds). Ljud returneras som base64-kodade tokens eller en nedladdnings-URL, beroende på slutpunkten.
Vanliga parametrar som stöds av OpenAI-kompatibla API:er inkluderar: 'model' (obligatorisk: 'google/gemini-2.5-flash-preview-tts'), 'messages' eller 'prompt' med texten, 'temperature' och 'top_p' (kan påverka ljudvariation om det stöds), 'max_tokens' (begränsar utdatalängden). För TTS gäller dock att många av dessa kanske inte är tillämpliga. Modellen kan stödja parametrarna 'voice' eller 'speed'. Inga specifika parametrar dokumenteras i de angivna fakta. Kontrollera OrcaRouters API-referens för denna modell. Om modellen inte stödjer en parameter kommer den att ignoreras eller returnera ett fel.
Om du migrerar från en annan leverantör (t.ex. Google Cloud TTS, AWS Polly, OpenAI TTS), behöver du ändra din slutpunkt till https://api.orcarouter.ai/v1 och uppdatera din autentisering för att använda OrcaRouter API-nyckel. Uppdatera modellidentifieraren till 'google/gemini-2.5-flash-preview-tts'. Anpassa sedan din begäranformat till OpenAI-kompatibelt schema. Till exempel, om du tidigare skickade text i ett specifikt fält, kommer du nu att använda 'messages'-arrayen eller 'prompt'-parametern. Ljudutdataformat kan skilja sig; du kan behöva tolka base64-svar. Testa med en liten begäran innan du migrerar produktionstrafik.
OrcaRouter tillhandahåller en OpenAI-kompatibel API med sannolika slutpunkter: /v1/chat/completions för text-till-text, och eventuellt /v1/audio/speech för TTS. För denna modell är lämplig slutpunkt troligen ljudslutpunkten för tal. Om den inte är tillgänglig kan du behöva använda completions-slutpunkten med särskilda parametrar. Fakta anger att modellen nås via OrcaRouters OpenAI-kompatibla API vid bas-url https://api.orcarouter.ai/v1 med modell-id 'google/gemini-2.5-flash-preview-tts'. Bekräfta med OrcaRouter-dokumentationen vilken slutpunkt som ska användas för att generera ljud.
Google Cloud TTS erbjuder flera rösttyper (Standard, WaveNet, Studio) med SSML-stöd, anpassad röstskapning och ett brett utbud av språk. Prissättning är per tecken. Denna förhandsmodell (gemini-2.5-flash-preview-tts) använder tokenbaserad fakturering och är en Flash-variant optimerad för hastighet och låg kostnad. Den är sannolikt mindre funktionsrik än Cloud TTS men kan vara mer kostnadseffektiv för enkel, högvolym TTS. google/gemini-2.5-flash-preview-tts är en förhandsversion, medan Cloud TTS är allmänt tillgänglig med SLA. Om du behöver tillförlitlighet och avancerade funktioner är Cloud TTS säkrare; om du vill ha låg latens och låg kostnad, prova denna modell.
OpenAI TTS-1 tar ut $0,015 per 1000 tecken. Båda modellerna genererar ljud från text. OpenAI-modellen är känd för uttrycksfulla röster och bred användning, men den har en annan prismodell (per tecken). google/gemini-2.5-flash-preview-tts använder prissättning per token, vilket kan vara billigare för mycket kort text men dyrare för lång text (eftersom ett tecken kan motsvara flera tokens). OpenAI TTS-1 är stabil och produktionsredo, medan Googles modell är en förhandsvisning. Du kan använda båda via OrcaRouter genom att byta modell-ID. Testa ditt specifika användningsfall för att jämföra kostnad och ljudkvalitet.
Open-source TTS-modeller som Coqui TTS, Piper eller Bark är gratis men kräver hosting, underhåll och GPU-resurser. De erbjuder anpassningsmöjligheter men saknar hastigheten och enkelheten hos ett API-anrop. google/gemini-2.5-flash-preview-tts via OrcaRouter eliminerar infrastrukturkostnader och erbjuder en betal-per-användning-modell. För hobbyprojekt kan öppen källkod vara billigare; för produktion med minimal latens och administration är API enklare. Förhandsversionsmodellens hastighet och kostnad kan vara konkurrenskraftig med vissa open-source-modeller när man tar hänsyn till hostingkostnader.
Amazon Polly erbjuder en mängd olika röster, SSML-stöd och en gratisnivå (5 miljoner tecken per månad). Priset är per tecken (Standard $0.000004, Neural $0.000016). google/gemini-2.5-flash-preview-tts är token-baserad och dess förhandsvisningsstatus innebär inga SLA eller gratisnivå. För lågvolymanvändning är Polly:s gratisnivå attraktiv. För högvolym kan tokenprissättningen för denna modell vara billigare eller dyrare beroende på kompression. Polly stöder många språk och funktioner som uttalslexikon. Denna modell är enklare men snabbare och lägre kostnad beroende på användning.
OpenAI-kompatibel — behåll det SDK du redan använder
https://api.orcarouter.ai/v1voice| Inmatning / 1M token | $0.500 |
|---|---|
| Utdata / 1M tokens | $10.00 |
| Valuta | USD |
Uppskattning baserad på listpris
Endast en uppskattning — faktiskt antal token beror på leverantörens tokenizer.
Vad utvecklare säger den här veckan
GET /api/public/models/google/gemini-2.5-flash-preview-ttsÖppna @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