โมเดลแปลงข้อความเป็นเสียงตัวอย่างของ Google ผ่าน OrcaRouter — การสร้างเสียงต้นทุนต่ำจากอินพุตข้อความ
google/gemini-2.5-flash-preview-tts เป็นโมเดลข้อความเป็นเสียงพูด (text-to-speech) ที่พัฒนาโดย Google ปัจจุบันอยู่ในช่วงพรีวิว มันแปลงข้อความนำเข้าเป็นเสียงพูด โดยใช้สถาปัตยกรรม Gemini 2.5 Flash…
โมเดลนี้แปลงข้อความเป็นเสียงพูด โดยจัดการงานทั่วไปของการสังเคราะห์เสียงพูดจากข้อความ (text-to-speech) เช่น การอ่านย่อหน้า การสร้างเสียงพากย์ และการสร้างเสียงสำหรับการเข้าถึงข้อมูล รองรับเครื่องหมายวรรคตอนและการแสดงตัวเลขอย่างเป็นธรรมชาติ เนื่องจากเป็นโมเดล Flash จึงได้รับการปรับให้เหมาะสมกับปริมาณงานและสามารถประมวลผลข้อความปริมาณมากได้อย่างรวดเร็ว ไม่รองรับการถอดเสียง (speech-to-text) การแปลภาษา หรืออินพุตแบบหลายรูปแบบ ผลลัพธ์เสียงเหมาะสมสำหรับการเล่นในแอปพลิเคชัน ยังไม่มีการยืนยันบุคลิกเสียงหรือสำเนียงเฉพาะสำหรับตัวอย่างนี้ ผู้ใช้ควรทดสอบด้วยข้อความของตนเองเพื่อประเมินคุณภาพเสียงและความเป็นธรรมชาติ
โมเดลนี้โดดเด่นในสถานการณ์ที่ต้นทุนต่ำและเวลาแฝงต่ำมีความสำคัญมากกว่าคุณภาพเสียงระดับสตูดิโอ กรณีการใช้งานที่ดีที่สุด ได้แก่ การสร้างเสียงบรรยายสำหรับวิดีโอสั้น พอดแคสต์ และเนื้อหาบนโซเชียลมีเดีย การให้เสียงสำหรับแชทบอทและผู้ช่วยเสมือน การสร้างเสียงเวอร์ชันของบทความข่าวหรือโพสต์บล็อก การสร้างต้นแบบฟีเจอร์ TTS ก่อนลงทุนในโมเดลระดับสูงขึ้น และการให้บริการผู้ชมหลายภาษาหากโมเดลรองรับภาษาที่ต้องการ เนื่องจากราคา token ผลลัพธ์คือ $10 ต่อล้าน จึงประหยัดสำหรับการสร้างเสียงที่ไม่สำคัญซึ่งยอมรับสิ่งแปลกปลอมเป็นครั้งคราวได้
หากกรณีการใช้งานของคุณเกี่ยวข้องกับปริมาณข้อมูลที่สูงมาก (เช่น หลายล้านโทเค็นต่อวัน) และคุณภาพเสียงสามารถเป็นระดับพื้นฐานได้ คุณอาจพิจารณาทางเลือกที่ถูกกว่า เช่น TTS Lite ของ Google หรือโมเดล TTS ต้นทุนต่ำจากผู้ให้บริการรายอื่น อย่างไรก็ตาม ไม่มีโมเดลที่ถูกกว่านี้ที่ถูกระบุไว้อย่างชัดเจนในข้อเท็จจริง อีกทางเลือกหนึ่ง หากคุณต้องการสตรีมมิ่งแบบเรียลไทม์โดยมีต้นทุนต่อตัวอักษรต่ำที่สุด คุณสามารถประเมินโมเดลที่คิดค่าบริการต่อตัวอักษรแทนที่จะคิดต่อโทเค็น โมเดลนี้มีต้นทุนโทเค็นเอาท์พุตค่อนข้างสูงเมื่อเทียบกับต้นทุนอินพุต ดังนั้น สถานการณ์ TTS ที่สร้างเสียงยาวจากข้อความสั้นอาจคุ้มทุน ในขณะที่การสร้างเสียงสั้นจากข้อความยาวอาจคุ้มทุนน้อยกว่า ควรทำการวัดประสิทธิภาพของเวิร์กโหลดเฉพาะของคุณเสมอเพื่อเปรียบเทียบราคา
หากแอปพลิเคชันของคุณต้องการเสียงระดับสตูดิโอ โทนอารมณ์ที่สื่ออารมณ์ได้ชัดเจน หรือบทสนทนาหลายเสียง คุณอาจจำเป็นต้องใช้โมเดล TTS ที่มีราคาแพงกว่า เช่น Google Cloud Text-to-Speech (WaveNet) หรือ Amazon Polly ที่มี neural voices โมเดลเหล่านี้นำเสนอตัวเลือกเสียงหลายแบบ รองรับ SSML และมีความเป็นธรรมชาติสูงกว่า แต่มีราคาต่อตัวอักษรหรือต่อวินาทีที่สูงกว่า google/gemini-2.5-flash-preview-tts เป็นรุ่นพรีวิวที่ได้รับการปรับแต่งเพื่อความเร็วและต้นทุน ดังนั้นจึงอาจไม่เทียบเท่าความละเอียดอ่อนของโซลูชัน TTS ระดับองค์กรโดยเฉพาะ ประเมินตัวอย่างข้อความขนาดเล็กของคุณกับโมเดลนี้เทียบกับทางเลือกอื่น เพื่อตรวจสอบว่าคุณภาพตรงตามความต้องการของคุณหรือไม่
ยังไม่มีเกณฑ์มาตรฐาน latency เฉพาะที่เผยแพร่สำหรับรุ่นตัวอย่างนี้ เนื่องจากเป็นตัวแปรของ Gemini 2.5 Flash จึงถูกออกแบบมาเพื่อการอนุมานที่มี latency ต่ำ ในทางปฏิบัติ เวลาตอบสนองขึ้นอยู่กับความยาวของข้อความ ความหน่วงของเครือข่ายไปยังเซิร์ฟเวอร์ของ Google ผ่าน OrcaRouter และโหลดปัจจุบัน ผู้ใช้ควรคาดหวังการสร้างข้อความที่เร็วปานกลางสำหรับข้อความสั้น (เช่น สองสามประโยค) โดยข้อความยาวจะใช้เวลานานขึ้นตามสัดส่วน เนื่องจากใช้ Flash model จึงควรทำงานได้ดีกว่าโมเดล TTS คุณภาพสูงที่ช้ากว่า แต่อาจไม่เร็วเท่าโมเดลที่มีน้ำหนักเบามาก หากต้องการวัด latency ที่แม่นยำ ให้ทำการทดสอบโหลดด้วยขนาดอินพุตทั่วไปโดยใช้ API ของ OrcaRouter
จากข้อมูลสาธารณะเกี่ยวกับ Gemini 2.5 Flash จุดแข็งต่างๆ ได้แก่ การอนุมานที่รวดเร็ว ความคุ้มค่าด้านต้นทุน (ราคา token ขาเข้าต่ำ) และเสียงพูดที่เป็นธรรมชาติสำหรับโมเดลน้ำหนักเบา สถานะพรีวิวหมายถึงการเข้าถึงเทคโนโลยี TTS ล่าสุดของ Google ก่อนใคร การกำหนดราคาแบบไม่มีมาร์กอัปผ่าน OrcaRouter ช่วยให้คุณจ่ายเฉพาะอัตราของผู้ให้บริการเท่านั้น ราคา token ขาเข้า ($0.50 ต่อล้าน) ถือว่าต่ำที่สุดในบรรดาโมเดล TTS สถาปัตยกรรม Flash ยังส่งผลให้มีปริมาณคาร์บอนฟุตพริ้นท์ต่อคำขอลดลงเมื่อเทียบกับโมเดลขนาดใหญ่
โมเดลนี้อยู่ในช่วงพรีวิว จึงไม่รับประกันความน่าเชื่อถือและความพร้อมใช้งาน ไม่มีคะแนนมาตรฐาน (เช่น MOS, CER) ให้ ขาดคุณสมบัติที่พบในบริการ TTS ที่สมบูรณ์: ไม่รองรับ SSML, ตัวเลือกเสียงมีจำกัด, ไม่มีการควบคุมอารมณ์, ไม่มีการฝึกเสียงแบบกำหนดเอง คุณภาพของผลลัพธ์อาจไม่สม่ำเสมอในภาษาหรือสำเนียงที่แตกต่างกัน เนื่องจากการคิดราคาตามโทเค็น การเงียบเป็นเวลานานหรือโทเค็นที่ไม่ใช่คำพูดอาจทำให้ต้นทุนเพิ่มขึ้นอย่างคาดเดาไม่ได้ ไม่มีข้อมูลเกี่ยวกับรูปแบบเสียง (เช่น WAV, MP3), อัตราการสุ่มตัวอย่าง หรือความลึกของบิต ผู้ใช้ควรตรวจสอบความเข้ากันได้กับไปป์ไลน์การประมวลผลเสียงของตน
Gemini 2.5 Flash ของ Google เป็นตระกูลที่ใช้งานทั่วไป รุ่น TTS นั้นเชี่ยวชาญด้านการสร้างเสียงพูด เมื่อเปรียบเทียบกับโมเดล Gemini Flash ทั่วไป (ที่ส่งออกข้อความ) รุ่น TTS จะเพิ่มตัวถอดรหัสสำหรับโทเค็นเสียง ทำให้เหมาะสมกับเสียงมากขึ้น แต่อาจช้าลงเนื่องจากขั้นตอนการถอดรหัส ไม่สามารถเปรียบเทียบโดยตรงกับโมเดล Flash ที่ใช้ข้อความเท่านั้น สำหรับ TTS โดยเฉพาะ มันแข่งขันกับโมเดลอย่าง OpenAI TTS-1, Microsoft Edge TTS และทางเลือกโอเพนซอร์ส ไม่มีเกณฑ์มาตรฐานข้ามโมเดลสำหรับการแสดงตัวอย่างนี้ ดังนั้นการเปรียบเทียบโดยตรงจึงเป็นการคาดเดา
ราคาคำนวณต่อโทเค็น: $0.50 ต่อ 1 ล้านโทเค็นอินพุต และ $10.00 ต่อ 1 ล้านโทเค็นเอาต์พุต โทเค็นอินพุตคือข้อความที่คุณส่งไปยังโมเดล ส่วนโทเค็นเอาต์พุตคือโทเค็นเสียงที่ถูกสร้างขึ้น OrcaRouter คิดค่าใช้จ่ายในอัตราของผู้ให้บริการโดยไม่มีส่วนเพิ่ม ไม่มีค่าธรรมเนียมเพิ่มเติมใดๆ สำหรับการใช้ API นอกเหนือจากการใช้โทเค็น ค่าใช้จ่ายจะถูกเรียกเก็บทั้งในคำขอที่สำเร็จและล้มเหลว หากมีการประมวลผลโทเค็น โทเค็นที่ไม่ได้ใช้จะไม่ถูกเรียกเก็บเงิน โดยทั่วไปการเรียกเก็บเงินจะเป็นรายเดือน แต่โปรดตรวจสอบบัญชี OrcaRouter ของคุณเพื่อดูรายละเอียด โทเค็นจะถูกนับโดยตัวแบ่งโทเค็นของ Google ซึ่งอาจแตกต่างจากโมเดลอื่นๆ
โทเค็นเอาต์พุตมีราคาแพงกว่าโทเค็นอินพุตถึง 20 เท่า ($10 เทียบกับ $0.50 ต่อล้าน) ซึ่งเป็นเรื่องปกติสำหรับโมเดล TTS เนื่องจากการสร้างเสียงต้องใช้การประมวลผลสูง ดังนั้น การเว้นช่วงเงียบนานหรือหยุดนานในอินพุตอาจเพิ่มจำนวนโทเค็นเอาต์พุตโดยไม่นำข้อมูลใดๆ การปรับข้อความอินพุตให้กระชับสามารถลดต้นทุนได้ ในทางกลับกัน ต้นทุนของโทเค็นอินพุตนั้นแทบไม่มีนัยสำคัญ คุณสามารถให้บริบทที่มีรายละเอียดโดยไม่ต้องเสียค่าใช้จ่ายมากนัก หากกรณีการใช้งานของคุณต้องการสร้างเสียงสั้นมากจากข้อความที่ยาวมาก (เช่น คำตอบสั้นๆ จากเอกสารยาว) อัตราส่วนต้นทุนอาจเป็นประโยชน์
ไม่มีโปรแกรมแคชหรือส่วนลดเฉพาะที่กล่าวถึงในข้อมูลที่มีให้ OrcaRouter ไม่มีแคชในตัวสำหรับเอาต์พุตของโมเดล คำขอแต่ละรายการจะถูกประมวลผลใหม่โดยเซิร์ฟเวอร์ของ Google แพลตฟอร์มบางแห่งมีแคชสำหรับคำขอที่เหมือนกัน แต่ยังไม่ได้รับการยืนยันสำหรับ OrcaRouter สำหรับผู้ใช้ที่มีปริมาณสูง โปรดติดต่อ OrcaRouter เพื่อสอบถามเกี่ยวกับส่วนลดตามปริมาณหรือความจุที่สงวนไว้ จนกว่าจะถึงเวลานั้น ให้ถือว่ามีการคิดราคาต่อโทเค็นสำหรับทุกคำขอ
เมื่อเทียบกับบริการ TTS ทั่วไป: Google Cloud Text-to-Speech คิดค่าบริการตามจำนวนตัวอักษร (เช่น $0.000004 ต่อตัวอักษรสำหรับ Standard, $0.000016 สำหรับ WaveNet) OpenAI TTS-1 คิดค่าบริการ $0.015 ต่อ 1,000 ตัวอักษร เมื่อแปลงเป็นต่อโทเคน: โมเดลนี้คิด $10 ต่อล้านโทเคนผลลัพธ์ ซึ่งอาจแข่งขันได้สำหรับข้อความสั้น แต่แพงสำหรับเสียงยาว เนื่องจากไม่มีการระบุอัตราส่วนตัวอักษรต่อโทเคน ผู้ใช้ควรทดสอบกับเนื้อหาของตน การไม่มีมาร์กอัปจาก OrcaRouter เป็นข้อได้เปรียบเหนือ API ของผู้ให้บริการที่เพิ่มค่าใช้จ่ายแฝง
คุณใช้ API ที่เข้ากันได้กับ OpenAI ของ OrcaRouter ที่ URL ฐาน https://api.orcarouter.ai/v1 ส่งคำขอ POST ไปยัง endpoint chat/completions หรือ audio (ถ้ามี) ด้วยรหัสโมเดล 'google/gemini-2.5-flash-preview-tts' สำหรับ TTS มาตรฐาน คุณอาจต้องใช้ endpoint สร้างเสียงโดยเฉพาะ ศึกษาเอกสารของ OrcaRouter สำหรับเส้นทางที่ถูกต้อง รวมคีย์ API ของคุณในส่วนหัว Authorization โดยปกติเนื้อหาของคำขอจะประกอบด้วยข้อความที่จะแปลง และพารามิเตอร์เสริม เช่น เสียงหรือความเร็ว (ถ้ารองรับ) เสียงจะถูกส่งกลับเป็นโทเค็นที่เข้ารหัส base64 หรือ URL สำหรับดาวน์โหลด ขึ้นอยู่กับ endpoint
พารามิเตอร์ทั่วไปที่รองรับโดย API ที่เข้ากันได้กับ OpenAI ได้แก่: 'model' (จำเป็น: 'google/gemini-2.5-flash-preview-tts'), 'messages' หรือ 'prompt' พร้อมข้อความ, 'temperature' และ 'top_p' (อาจส่งผลต่อความแตกต่างของเสียงหากรองรับ), 'max_tokens' (จำกัดความยาวของผลลัพธ์) อย่างไรก็ตาม สำหรับ TTS หลายพารามิเตอร์เหล่านี้อาจไม่สามารถใช้งานได้ โมเดลอาจรองรับพารามิเตอร์ 'voice' หรือ 'speed' ไม่มีพารามิเตอร์เฉพาะใดๆ ที่ถูกบันทึกไว้ในข้อเท็จจริงที่ให้มา ตรวจสอบเอกสารอ้างอิง API ของ OrcaRouter สำหรับโมเดลนี้ หากโมเดลไม่รองรับพารามิเตอร์ พารามิเตอร์นั้นจะถูกละเว้นหรือส่งคืนข้อผิดพลาด
หากคุณกำลังย้ายจากผู้ให้บริการอื่น (เช่น Google Cloud TTS, AWS Polly, OpenAI TTS) คุณต้องเปลี่ยน endpoint ของคุณเป็น https://api.orcarouter.ai/v1 และอัปเดตการรับรองความถูกต้องเพื่อใช้คีย์ API ของ OrcaRouter อัปเดตตัวระบุโมเดลเป็น 'google/gemini-2.5-flash-preview-tts' จากนั้นปรับรูปแบบคำขอของคุณให้เข้ากับ schema ที่เข้ากันได้กับ OpenAI ตัวอย่างเช่น หากก่อนหน้านี้คุณส่งข้อความในฟิลด์เฉพาะ ตอนนี้คุณจะใช้ 'messages' array หรือพารามิเตอร์ 'prompt' รูปแบบเอาต์พุตเสียงอาจแตกต่างกัน คุณอาจต้องแยกวิเคราะห์การตอบสนองแบบ base64 ทดสอบด้วยคำขอเล็กน้อยก่อนย้ายการรับส่งข้อมูลในโพรดักชัน
OrcaRouter มี API ที่เข้ากันได้กับ OpenAI โดยมี endpoints ที่น่าจะเป็น: /v1/chat/completions สำหรับข้อความต่อข้อความ และ /v1/audio/speech สำหรับ TTS สำหรับโมเดลนี้ endpoint ที่เหมาะสมน่าจะเป็น audio speech endpoint หากไม่มี endpoint ดังกล่าว คุณอาจต้องใช้ completions endpoint พร้อมพารามิเตอร์พิเศษ ข้อมูลระบุว่าโมเดลนี้เข้าถึงผ่าน API ที่เข้ากันได้กับ OpenAI ของ OrcaRouter ที่ base_url https://api.orcarouter.ai/v1 โดยใช้ model id 'google/gemini-2.5-flash-preview-tts' ตรวจสอบเอกสารของ OrcaRouter เพื่อยืนยันว่า endpoint ใดที่ใช้สำหรับสร้างเสียง
Google Cloud TTS มีประเภทเสียงหลายแบบ (Standard, WaveNet, Studio) พร้อมรองรับ SSML, การสร้างเสียงแบบกำหนดเอง, และภาษาที่หลากหลาย การคิดราคาเป็นต่อตัวอักษร โมเดลตัวอย่างนี้ (gemini-2.5-flash-preview-tts) ใช้การเรียกเก็บเงินแบบตามโทเค็น และเป็น Flash variant ที่ปรับให้เหมาะสมสำหรับความเร็วและต้นทุนต่ำ มีแนวโน้มว่ามีฟีเจอร์น้อยกว่า Cloud TTS แต่อาจคุ้มค่ากว่าในงาน TTS ธรรมดาที่มีปริมาณสูง google/gemini-2.5-flash-preview-tts เป็นรุ่นตัวอย่าง ในขณะที่ Cloud TTS พร้อมใช้งานทั่วไปพร้อม SLA หากคุณต้องการความน่าเชื่อถือและฟีเจอร์ขั้นสูง Cloud TTS ปลอดภัยกว่า หากคุณต้องการความหน่วงต่ำและต้นทุนต่ำ ลองใช้โมเดลนี้
OpenAI TTS-1 คิดค่าบริการ $0.015 ต่อ 1,000 ตัวอักษร ทั้งสองโมเดลสร้างเสียงจากข้อความ โมเดลของ OpenAI ขึ้นชื่อเรื่องเสียงที่สื่ออารมณ์และการนำไปใช้อย่างกว้างขวาง แต่มีรูปแบบการคิดราคาที่แตกต่าง (ต่อตัวอักษร) google/gemini-2.5-flash-preview-tts ใช้การคิดราคาต่อ token ซึ่งอาจถูกกว่าสำหรับข้อความสั้นมาก แต่แพงกว่าสำหรับข้อความยาว (เนื่องจากหนึ่งตัวอักษรอาจเท่ากับหลาย token) OpenAI TTS-1 มีความเสถียรและพร้อมสำหรับการใช้งานจริง ในขณะที่โมเดลของ Google ยังเป็นรุ่นตัวอย่าง คุณสามารถใช้ทั้งสองโมเดลผ่าน OrcaRouter โดยการสลับรหัสโมเดล ทดสอบกรณีการใช้งานเฉพาะของคุณเพื่อเปรียบเทียบราคาและคุณภาพเสียง
โมเดล TTS แบบโอเพนซอร์ส เช่น Coqui TTS, Piper หรือ Bark นั้นฟรี แต่ต้องมีการโฮสต์ ดูแลรักษา และทรัพยากร GPU พวกมันมีความยืดหยุ่นในการปรับแต่ง แต่ขาดความรวดเร็วและความเรียบง่ายของการเรียก API google/gemini-2.5-flash-preview-tts ผ่าน OrcaRouter ช่วยลดภาระด้านโครงสร้างพื้นฐานและให้รูปแบบการจ่ายตามการใช้งาน สำหรับโปรเจกต์งานอดิเรก โอเพนซอร์สอาจถูกกว่า สำหรับการผลิตที่ต้องการความหน่วงต่ำและการจัดการที่น้อย API จะใช้งานง่ายกว่า ความเร็วและต้นทุนของโมเดลพรีวิวนี้อาจแข่งขันกับโมเดลโอเพนซอร์สบางตัวได้เมื่อคำนึงถึงค่าใช้จ่ายในการโฮสต์
Amazon Polly มีเสียงให้เลือกหลากหลาย รองรับ SSML และมีฟรีเทียร์ (5 ล้านตัวอักษรต่อเดือน) การคิดราคาเป็นต่อตัวอักษร (Standard $0.000004, Neural $0.000016) google/gemini-2.5-flash-preview-tts เป็นแบบ token-based และสถานะ preview หมายความว่าไม่มี SLA หรือฟรีเทียร์ สำหรับการใช้งานปริมาณน้อย ฟรีเทียร์ของ Polly น่าสนใจ สำหรับปริมาณมาก การคิดราคาแบบ token ของโมเดลนี้อาจถูกกว่าหรือแพงกว่าขึ้นอยู่กับการบีบอัด Polly รองรับหลายภาษาและฟีเจอร์ต่างๆ เช่น pronunciation lexicons โมเดลนี้เรียบง่ายกว่า แต่เร็วกว่าและต้นทุนต่ำกว่าขึ้นอยู่กับการใช้งาน
เข้ากันได้กับ OpenAI — ใช้ SDK เดิมของคุณได้เลย
https://api.orcarouter.ai/v1voice| อินพุต / 1M โทเค็น | $0.500 |
|---|---|
| เอาต์พุต / 1M โทเค็น | $10.00 |
| สกุลเงิน | USD |
ประมาณการจากราคาตั้ง
เป็นเพียงการประเมิน — จำนวน token จริงขึ้นอยู่กับ tokenizer ของผู้ให้บริการ
สิ่งที่นักพัฒนาพูดถึงในสัปดาห์นี้
GET /api/public/models/google/gemini-2.5-flash-preview-ttsเปิด @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