Mô hình chuyển văn bản thành giọng nói dạng xem trước của Google qua OrcaRouter — tạo âm thanh chi phí thấp từ đầu vào văn bản.
google/gemini-2.5-flash-preview-tts là mô hình chuyển văn bản thành giọng nói do Google phát triển, hiện đang trong giai đoạn xem trước. Mô hình này chuyển đổi đầu vào văn bản thành âm thanh giọng…
Mô hình chuyển đổi văn bản thành giọng nói, xử lý các tác vụ text-to-speech điển hình: đọc đoạn văn, tạo lồng tiếng và tạo âm thanh hỗ trợ khả năng tiếp cận. Mô hình hỗ trợ các biểu thức dấu câu và số một cách tự nhiên. Vì là mô hình Flash nên được tối ưu hóa về thông lượng và có thể xử lý khối lượng lớn văn bản một cách nhanh chóng. Mô hình không hỗ trợ phiên âm (speech-to-text), dịch ngôn ngữ hay đầu vào đa phương thức. Đầu ra âm thanh phù hợp để phát lại trong các ứng dụng. Không có giọng nói hoặc trọng âm cụ thể nào được xác nhận cho bản xem trước này. Người dùng nên thử nghiệm với văn bản của riêng mình để đánh giá chất lượng âm thanh và độ tự nhiên.
Mô hình này hoạt động tốt trong các tình huống mà chi phí thấp và độ trễ thấp được ưu tiên hơn so với chất lượng âm thanh đẳng cấp phòng thu. Các trường hợp sử dụng tốt nhất bao gồm: tạo lời thuyết minh cho video ngắn, podcast và nội dung mạng xã hội; cung cấp âm thanh cho chatbot và trợ lý ảo; tạo phiên bản âm thanh của các bài báo hoặc bài viết blog; tạo nguyên mẫu các tính năng TTS trước khi đầu tư vào các mô hình cao cấp hơn; và phục vụ đối tượng đa ngôn ngữ nếu mô hình hỗ trợ các ngôn ngữ cần thiết. Vì giá token đầu ra là $10 mỗi triệu, nó tiết kiệm chi phí cho việc tạo âm thanh không quan trọng, nơi các lỗi nhỏ thỉnh thoảng có thể chấp nhận được.
Nếu trường hợp sử dụng của bạn liên quan đến khối lượng cực kỳ lớn (ví dụ: hàng triệu token mỗi ngày) và chất lượng âm thanh có thể rất cơ bản, bạn có thể cân nhắc một giải pháp thay thế rẻ hơn như TTS Lite của Google hoặc mô hình TTS chi phí thấp từ nhà cung cấp khác. Tuy nhiên, không có mô hình rẻ hơn nào được cung cấp rõ ràng trong các thông tin. Ngoài ra, nếu bạn cần phát trực tuyến thời gian thực với chi phí thấp nhất có thể trên mỗi ký tự, bạn có thể đánh giá các mô hình tính phí theo ký tự thay vì theo token. Chi phí token đầu ra của mô hình này tương đối cao so với chi phí đầu vào, vì vậy các kịch bản chuyển văn bản thành giọng nói tạo ra âm thanh dài từ văn bản ngắn có thể tiết kiệm chi phí, trong khi tạo âm thanh ngắn từ văn bản dài có thể kém hiệu quả hơn. Luôn luôn đo lường khối lượng công việc cụ thể của bạn để so sánh giá cả.
Nếu ứng dụng của bạn yêu cầu âm thanh chất lượng phòng thu, giọng điệu cảm xúc biểu cảm hoặc hội thoại nhiều giọng nói, bạn có thể cần một mô hình TTS đắt tiền hơn như Google Cloud Text-to-Speech (WaveNet) hoặc Amazon Polly với giọng nói neural. Các mô hình này cung cấp nhiều tùy chọn giọng nói, hỗ trợ SSML và độ tự nhiên cao hơn, nhưng với mức giá cao hơn theo từng ký tự hoặc từng giây. google/gemini-2.5-flash-preview-tts là phiên bản xem trước được tối ưu hóa cho tốc độ và chi phí, do đó có thể không đạt được sự tinh tế của các giải pháp TTS doanh nghiệp chuyên dụng. Hãy đánh giá một mẫu nhỏ văn bản của bạn với mô hình này so với các lựa chọn thay thế để xác định xem chất lượng có đáp ứng yêu cầu của bạn hay không.
Không có điểm chuẩn độ trễ cụ thể nào được công bố cho mô hình xem trước này. Là một biến thể của Gemini 2.5 Flash, nó được thiết kế cho suy luận độ trễ thấp. Trong thực tế, thời gian phản hồi phụ thuộc vào độ dài văn bản, độ trễ mạng đến máy chủ của Google thông qua OrcaRouter và tải hiện tại. Người dùng nên mong đợi tốc độ tạo văn bản vừa phải cho các văn bản ngắn (ví dụ: vài câu), với các văn bản dài hơn sẽ mất thời gian tương ứng. Vì nó sử dụng mô hình Flash, nên nó sẽ vượt trội hơn các mô hình TTS chậm hơn, chất lượng cao nhưng có thể không nhanh bằng các mô hình siêu nhẹ. Để đo độ trễ chính xác, hãy chạy các bài kiểm tra tải với kích thước đầu vào điển hình bằng API của OrcaRouter.
Dựa trên thông tin công khai về Gemini 2.5 Flash, các điểm mạnh bao gồm suy luận nhanh, hiệu quả chi phí (giá token đầu vào thấp) và giọng nói tự nhiên cho một mô hình nhẹ. Trạng thái xem trước có nghĩa là truy cập sớm vào công nghệ TTS mới nhất của Google. Chính sách giá không chênh lệch qua OrcaRouter đảm bảo bạn chỉ trả theo giá của nhà cung cấp. Giá token đầu vào ($0.50 mỗi triệu) là một trong những mức thấp nhất cho các mô hình TTS. Kiến trúc Flash cũng đồng nghĩa với lượng khí thải carbon thấp hơn mỗi yêu cầu so với các mô hình lớn hơn.
Mô hình này đang trong giai đoạn xem trước, do đó độ tin cậy và khả năng sẵn sàng không được đảm bảo. Không có điểm chuẩn (ví dụ: MOS, CER) nào được cung cấp. Nó thiếu các tính năng có trong các dịch vụ TTS trưởng thành: không hỗ trợ SSML, tùy chọn giọng nói hạn chế, không kiểm soát cảm xúc, không đào tạo giọng nói tùy chỉnh. Chất lượng đầu ra có thể không nhất quán giữa các ngôn ngữ hoặc giọng địa phương khác nhau. Do định giá dựa trên token, các khoảng im lặng dài hoặc token không phải giọng nói có thể làm tăng chi phí một cách khó lường. Không có thông tin về định dạng âm thanh (ví dụ: WAV, MP3), tốc độ mẫu hoặc độ sâu bit. Người dùng nên xác minh khả năng tương thích với đường ống xử lý âm thanh của họ.
Google's Gemini 2.5 Flash là một dòng sản phẩm đa năng; biến thể TTS được chuyên biệt hóa cho tạo giọng nói. So với mô hình Gemini Flash thông thường (xuất ra văn bản), phiên bản TTS bổ sung một bộ giải mã cho các token âm thanh, giúp nó phù hợp hơn với âm thanh nhưng có thể chậm hơn do bước giải mã. Nó không thể so sánh trực tiếp với các mô hình Flash chỉ có văn bản. Riêng đối với TTS, nó cạnh tranh với các mô hình như OpenAI TTS-1, Microsoft Edge TTS và các giải pháp mã nguồn mở. Không có điểm chuẩn chéo nào cho bản xem trước này, vì vậy các so sánh trực tiếp chỉ mang tính suy đoán.
Giá được tính theo token: $0.50 cho mỗi 1 triệu token đầu vào và $10.00 cho mỗi 1 triệu token đầu ra. Token đầu vào là văn bản bạn gửi đến mô hình. Token đầu ra là các token âm thanh được tạo ra. OrcaRouter tính phí theo tỷ lệ của nhà cung cấp mà không có phí chênh lệch. Không có khoản phí bổ sung nào khi sử dụng API ngoài việc tiêu thụ token. Phí được tính cho cả yêu cầu thành công và thất bại nếu token đã được xử lý. Các token không sử dụng sẽ không bị tính phí. Thông thường, hóa đơn được tính hàng tháng, nhưng hãy kiểm tra tài khoản OrcaRouter của bạn để biết chi tiết. Các token được đếm bằng bộ tokenizer của Google, có thể khác so với các mô hình khác.
Token đầu ra đắt gấp 20 lần token đầu vào ($10 so với $0.50 mỗi triệu). Điều này thường thấy ở các mô hình TTS vì việc tạo âm thanh tốn nhiều tài nguyên tính toán. Do đó, khoảng im lặng dài hoặc tạm dừng kéo dài trong đầu vào có thể làm tăng số lượng token đầu ra mà không mang thông tin. Tối ưu hóa văn bản đầu vào sao cho ngắn gọn có thể giảm chi phí. Ngược lại, chi phí token đầu vào không đáng kể; bạn có thể cung cấp ngữ cảnh chi tiết mà không bị ảnh hưởng nhiều. Nếu trường hợp sử dụng của bạn yêu cầu tạo âm thanh rất ngắn từ văn bản rất dài (ví dụ: phản hồi ngắn từ một tài liệu dài), tỷ lệ chi phí có thể có lợi.
Không có chương trình giảm giá hoặc lưu trữ đệm (caching) cụ thể nào được đề cập trong các dữ kiện được cung cấp. OrcaRouter không cung cấp tính năng lưu trữ đệm sẵn có cho các đầu ra của mô hình. Mỗi yêu cầu đều được xử lý mới bởi máy chủ của Google. Một số nền tảng cung cấp khả năng lưu trữ đệm cho các yêu cầu giống hệt nhau, nhưng điều này chưa được xác nhận đối với OrcaRouter. Đối với người dùng có khối lượng lớn, hãy liên hệ với OrcaRouter để hỏi về các khoản chiết khấu dựa trên khối lượng hoặc dung lượng dành riêng tiềm năng. Cho đến lúc đó, hãy giả định rằng mức giá theo token được áp dụng cho mọi yêu cầu.
So sánh với các dịch vụ TTS thông thường: Google Cloud Text-to-Speech tính phí theo ký tự (ví dụ: $0.000004 mỗi ký tự cho Standard, $0.000016 cho WaveNet). OpenAI TTS-1 tính phí $0.015 cho 1000 ký tự. Quy đổi sang mỗi token: mô hình này với $10 cho một triệu token đầu ra có thể cạnh tranh đối với văn bản ngắn nhưng đắt đối với âm thanh dài. Vì không có tỷ lệ ký tự/token được đưa ra, người dùng nên thử nghiệm với nội dung của họ. Việc không tính phí chênh lệch từ OrcaRouter là một lợi thế so với các API nhà cung cấp có thêm phí phụ.
Bạn sử dụng API tương thích OpenAI của OrcaRouter tại URL gốc https://api.orcarouter.ai/v1. Gửi một yêu cầu POST tới endpoint chat/completions hoặc audio (nếu có) với ID mô hình 'google/gemini-2.5-flash-preview-tts'. Đối với TTS tiêu chuẩn, bạn có thể cần sử dụng endpoint tạo âm thanh chuyên dụng; tham khảo tài liệu của OrcaRouter để biết đường dẫn chính xác. Bao gồm khóa API của bạn trong tiêu đề Authorization. Phần thân yêu cầu thường chứa văn bản cần chuyển đổi, và tùy chọn các tham số như giọng nói hoặc tốc độ (nếu được hỗ trợ). Âm thanh được trả về dưới dạng token mã hóa base64 hoặc URL tải xuống, tùy thuộc vào endpoint.
Các tham số phổ biến được hỗ trợ bởi các API tương thích với OpenAI bao gồm: 'model' (bắt buộc: 'google/gemini-2.5-flash-preview-tts'), 'messages' hoặc 'prompt' với văn bản, 'temperature' và 'top_p' (có thể ảnh hưởng đến sự biến đổi âm thanh nếu được hỗ trợ), 'max_tokens' (giới hạn độ dài đầu ra). Tuy nhiên, đối với TTS, nhiều tham số trong số này có thể không áp dụng. Model có thể hỗ trợ các tham số 'voice' hoặc 'speed'. Không có tham số cụ thể nào được ghi lại trong các dữ kiện được cung cấp. Hãy kiểm tra tài liệu tham khảo API của OrcaRouter cho model này. Nếu model không hỗ trợ một tham số, nó sẽ bị bỏ qua hoặc trả về lỗi.
Nếu bạn đang chuyển đổi từ một nhà cung cấp khác (ví dụ: Google Cloud TTS, AWS Polly, OpenAI TTS), bạn cần thay đổi endpoint của mình thành https://api.orcarouter.ai/v1 và cập nhật xác thực để sử dụng khóa API của OrcaRouter. Cập nhật mã định danh mô hình thành 'google/gemini-2.5-flash-preview-tts'. Sau đó, điều chỉnh định dạng yêu cầu của bạn theo schema tương thích với OpenAI. Ví dụ, nếu trước đây bạn gửi văn bản trong một trường cụ thể, bây giờ bạn sẽ sử dụng mảng 'messages' hoặc tham số 'prompt'. Định dạng đầu ra âm thanh có thể khác; bạn có thể cần phân tích các phản hồi base64. Hãy kiểm tra với một yêu cầu nhỏ trước khi chuyển đổi lưu lượng sản xuất.
OrcaRouter cung cấp API tương thích với OpenAI với các endpoint có khả năng: /v1/chat/completions cho văn bản sang văn bản, và có thể /v1/audio/speech cho TTS. Đối với mô hình này, endpoint phù hợp có lẽ là endpoint audio speech. Nếu endpoint đó không khả dụng, bạn có thể cần sử dụng endpoint completions với các tham số đặc biệt. Các dữ kiện cho biết mô hình được truy cập thông qua API tương thích với OpenAI của OrcaRouter tại base_url https://api.orcarouter.ai/v1 với model id 'google/gemini-2.5-flash-preview-tts'. Xác nhận với tài liệu của OrcaRouter về endpoint nào cần sử dụng để tạo âm thanh.
Google Cloud TTS cung cấp nhiều loại giọng nói (Standard, WaveNet, Studio) với hỗ trợ SSML, tạo giọng nói tùy chỉnh và nhiều ngôn ngữ. Giá tính theo ký tự. Mô hình xem trước này (gemini-2.5-flash-preview-tts) sử dụng tính cước dựa trên token và là biến thể Flash được tối ưu hóa cho tốc độ và chi phí thấp. Nó có thể ít giàu tính năng hơn Cloud TTS nhưng có thể tiết kiệm chi phí hơn cho nhu cầu TTS đơn giản, khối lượng lớn. google/gemini-2.5-flash-preview-tts là phiên bản xem trước, trong khi Cloud TTS thường có sẵn với SLA. Nếu bạn cần độ tin cậy và tính năng nâng cao, Cloud TTS là an toàn hơn; nếu bạn muốn độ trễ thấp và chi phí thấp, hãy thử mô hình này.
OpenAI TTS-1 tính phí $0.015 cho mỗi 1000 ký tự. Cả hai mô hình đều tạo âm thanh từ văn bản. Mô hình của OpenAI nổi tiếng với giọng nói biểu cảm và được áp dụng rộng rãi, nhưng có cơ chế định giá khác (theo ký tự). google/gemini-2.5-flash-preview-tts sử dụng định giá theo token, có thể rẻ hơn cho văn bản rất ngắn nhưng đắt hơn cho văn bản dài (vì một ký tự có thể tương đương nhiều token). OpenAI TTS-1 ổn định và sẵn sàng cho sản xuất, trong khi mô hình của Google đang trong giai đoạn xem trước. Bạn có thể sử dụng cả hai qua OrcaRouter bằng cách chuyển đổi ID mô hình. Hãy kiểm tra trường hợp sử dụng cụ thể của bạn để so sánh chi phí và chất lượng âm thanh.
Các mô hình TTS mã nguồn mở như Coqui TTS, Piper hoặc Bark miễn phí nhưng yêu cầu lưu trữ, bảo trì và tài nguyên GPU. Chúng cung cấp khả năng tùy chỉnh nhưng thiếu tốc độ và sự đơn giản của một lệnh gọi API. google/gemini-2.5-flash-preview-tts qua OrcaRouter loại bỏ chi phí hạ tầng và cung cấp mô hình trả theo lượt sử dụng. Đối với các dự án sở thích, mã nguồn mở có thể rẻ hơn; đối với sản xuất yêu cầu độ trễ tối thiểu và quản lý dễ dàng, API sẽ tiện lợi hơn. Tốc độ và chi phí của mô hình xem trước có thể cạnh tranh với một số mô hình mã nguồn mở khi tính đến chi phí lưu trữ.
Amazon Polly cung cấp nhiều giọng đọc, hỗ trợ SSML và Gói miễn phí (5 triệu ký tự mỗi tháng). Giá được tính theo ký tự (Standard $0.000004, Neural $0.000016). google/gemini-2.5-flash-preview-tts dựa trên token, và trạng thái xem trước của nó có nghĩa là không có SLA hoặc gói miễn phí. Đối với sử dụng khối lượng thấp, gói miễn phí của Polly rất hấp dẫn. Đối với khối lượng cao, giá token của mô hình này có thể rẻ hơn hoặc đắt hơn tùy thuộc vào mức độ nén. Polly hỗ trợ nhiều ngôn ngữ và các tính năng như từ điển phát âm. Mô hình này đơn giản hơn nhưng nhanh hơn và chi phí thấp hơn tùy thuộc vào mức sử dụng.
Tương thích OpenAI — giữ nguyên SDK bạn đang dùng
https://api.orcarouter.ai/v1voice| Đầu vào / 1M tokens | $0.500 |
|---|---|
| Đầu ra / 1M tokens | $10.00 |
| Tiền tệ | USD |
Ước tính theo giá niêm yết
Chỉ là ước tính — số token thực tế phụ thuộc vào bộ tách token của nhà cung cấp.
Điều các nhà phát triển đang nói tuần này
GET /api/public/models/google/gemini-2.5-flash-preview-ttsMở @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