Google 预览版文本转语音模型通过 OrcaRouter — 从文本输入生成低成本音频。
google/gemini-2.5-flash-preview-tts 是Google开发的一款文本转语音模型，目前处于预览阶段。它利用Gemini 2.5 Flash架构实现快速推理，将文本输入转换为语音音频。该模型仅接受文本作为输入，并生成音频令牌作为输出。通过OrcaRouter的API即可使用，该API将请求路由至Google服务器，不收取任何额外加成费用。作为预览模型，其行为或可用性可能…
该模型将文本转换为语音，处理典型的文本转语音任务：朗读段落、生成配音以及为无障碍场景创建音频。它能够自然地处理标点符号和数字表达。由于是Flash模型，其针对吞吐量进行了优化，可快速处理大量文本。模型不支持转录（语音转文本）、语言翻译或多模态输入。生成的音频输出适用于应用程序中的播放。此预览版未确认特定的语音个性或口音。用户应使用自有文本进行测试，以评估音频质量和自然度。
该模型在低成本、低延迟比录音室级音频质量更重要的场景中表现出色。最佳使用场景包括：为短视频、播客和社交媒体内容生成旁白；为聊天机器人和虚拟助手提供音频；为新闻文章或博客文章创建音频版本；在投资更高端模型之前对TTS功能进行原型开发；以及在模型支持所需语言的情况下服务多语言受众。由于输出令牌价格为每百万个10美元，因此生成非关键音频（可接受偶尔的瑕疵）时非常经济。
如果您的使用场景涉及极高的数据量（例如每天数百万个令牌），并且音频质量可以非常基础，您可以考虑更便宜的替代方案，比如谷歌的TTS Lite或另一家提供商的低成本TTS模型。然而，事实中并未明确提供更便宜的模型。或者，如果您需要以尽可能低的每字符成本进行实时流式传输，您可以评估按字符而不是按令牌收费的模型。此模型的输出令牌成本相对输入成本较高，因此从短文本生成长音频的文本转语音场景可能具有成本效益，而从长文本生成短音频则可能不那么划算。始终对您的具体工作负载进行基准测试以比较定价。
如果你的应用程序需要录音室级别的音频、富有表现力的情感语调或多角色对话，你可能需要更昂贵的TTS模型，例如Google Cloud Text-to-Speech (WaveNet)或使用神经语音的Amazon Polly。这些模型提供多种语音选项、SSML支持以及更高的自然度，但按字符或按秒的定价也更高。google/gemini-2.5-flash-preview-tts是一款针对速度和成本优化的预览版，因此可能无法达到专用企业级TTS解决方案的细腻程度。使用该模型与替代方案对一小段文本进行对比评估，以确定其质量是否满足你的需求。
此预览模型未公布具体的延迟基准。作为Gemini 2.5 Flash的变体，其架构专为低延迟推理设计。实际上，响应时间取决于文本长度、通过OrcaRouter到Google服务器的网络延迟以及当前负载。用户应预期短文本（例如几句话）生成速度适中，较长文本则按比例耗时更长。由于采用Flash模型，其性能应优于较慢的高质量TTS模型，但可能不如超轻量级模型快。如需精确测量延迟，请使用OrcaRouter的API对典型输入规模进行负载测试。
基于Gemini 2.5 Flash的公开信息，其优势包括快速推理、成本效益（低输入token价格），以及作为轻量级模型的自然语音表现。预览状态意味着可提前体验Google最新的TTS技术。通过OrcaRouter实现的零加价定价确保您仅支付提供商费率。输入token定价（每百万个0.50美元）在TTS模型中属于最低水平。Flash架构还意味着每次请求的碳足迹低于更大模型。
此模型尚处于预览阶段，因此不保证可靠性和可用性。未提供任何基准测试分数（如MOS、CER）。它缺少成熟TTS服务中的功能：不支持SSML、语音选项有限、无情感控制、无法进行自定义语音训练。不同语言或口音的输出质量可能不一致。由于基于token的定价，长时间静音或非语音token可能导致成本不可预测地增加。未提供音频格式（如WAV、MP3）、采样率或位深度的信息。用户应验证其与音频处理管道的兼容性。
Google的Gemini 2.5 Flash是一个通用模型系列；TTS变体专门用于语音生成。与通用的Gemini Flash模型（输出文本）相比，TTS版本添加了音频令牌解码器，使其更适用于音频，但由于解码步骤可能速度较慢。它不能直接与纯文本Flash模型比较。在TTS领域，它与OpenAI TTS-1、Microsoft Edge TTS以及开源替代方案竞争。此预览版本暂无跨模型基准测试可用，因此直接比较仅为推测。
定价基于令牌计算：每百万输入令牌收费0.50美元，每百万输出令牌收费10.00美元。输入令牌是您发送给模型的文本，输出令牌是生成的音频令牌。OrcaRouter按提供商费率计费，不收取任何加价。除令牌消耗外，使用API无其他额外费用。成功和失败的请求若处理了令牌，均会产生费用。未使用的令牌不收费。通常按月计费，详情请查看您的OrcaRouter账户。令牌由Google分词器计数，该计数可能与其他模型存在差异。
输出令牌的费用比输入令牌贵20倍（每百万个$10 vs $0.50）。这在TTS模型中很常见，因为生成音频计算量大。因此，输入中的长静音或长时间停顿会增加输出令牌数量而不携带信息。优化输入文本以使其简洁可以降低成本。相反，输入令牌成本微不足道；你可以提供详细上下文而不会增加太多成本。如果你的使用场景需要从很长的文本生成非常短的音频（例如，从长文档中生成简短回复），那么成本比例可能更有利。
所提供的事实中未提及具体的缓存或折扣计划。OrcaRouter 不提供模型输出的内置缓存。每个请求均由 Google 的服务器实时处理。部分平台支持对相同请求进行缓存，但 OrcaRouter 尚未确认此功能。对于高用量用户，请联系 OrcaRouter 咨询可能的按量折扣或预留容量。在此之前，请假定每个请求均按每 Token 计费。
与常见TTS服务相比：Google Cloud Text-to-Speech按字符收费（例如，Standard版每字符$0.000004，WaveNet版每字符$0.000016）。OpenAI TTS-1每1000字符收费$0.015。换算为每token：该模型每百万输出token收费$10，对于短文本可能具有竞争力，但长音频则较贵。由于未提供字符与token的换算比例，用户应使用自己的内容进行测试。OrcaRouter的零加价优势优于那些增加额外成本的供应商API。
你在基础URL https://api.orcarouter.ai/v1 上使用OrcaRouter的兼容OpenAI的API。向chat/completions或音频端点（如果可用）发送一个POST请求，模型ID为'google/gemini-2.5-flash-preview-tts'。对于标准TTS，你可能需要使用专用的音频生成端点；请查阅OrcaRouter的文档以获取正确的路由。在Authorization标头中包含你的API密钥。请求体通常包含要转换的文本，以及可选的参数，如语音或速度（如果支持）。音频以base64编码的令牌或下载URL的形式返回，具体取决于端点。
OpenAI 兼容 API 支持的常见参数包括：'model'（必填：'google/gemini-2.5-flash-preview-tts'）、包含文本的 'messages' 或 'prompt'、'temperature' 和 'top_p'（若支持，可能影响音频变化）、'max_tokens'（限制输出长度）。不过，对于 TTS，其中许多参数可能不适用。该模型可能支持 'voice' 或 'speed' 参数。提供的事实中未记录具体参数。请查看 OrcaRouter 的 API 参考以了解此模型。如果模型不支持某个参数，该参数将被忽略或返回错误。
如果您正在从其他提供商（例如 Google Cloud TTS、AWS Polly、OpenAI TTS）迁移，则需要将端点更改为 https://api.orcarouter.ai/v1，并更新身份验证以使用 OrcaRouter API 密钥。将模型标识符更改为 'google/gemini-2.5-flash-preview-tts'。然后，将请求格式调整为兼容 OpenAI 的架构。例如，如果您之前通过特定字段发送文本，现在则需要使用 'messages' 数组或 'prompt' 参数。音频输出格式可能不同；您可能需要解析 Base64 响应。在迁移生产流量之前，先使用小型请求进行测试。
OrcaRouter提供了一个与OpenAI兼容的API，可能的端点包括：用于文本到文本的/v1/chat/completions，以及可能用于TTS的/v1/audio/speech。对于此模型，合适的端点很可能是音频语音端点。如果该端点不可用，您可能需要使用带有特殊参数的completions端点。事实表明，该模型通过OrcaRouter的OpenAI兼容API访问，base_url为https://api.orcarouter.ai/v1，模型ID为'google/gemini-2.5-flash-preview-tts'。请通过OrcaRouter文档确认用于生成音频的端点。
Google Cloud TTS 提供多种语音类型（Standard、WaveNet、Studio），支持 SSML、自定义语音创建以及丰富的语言种类。定价按字符计费。此预览模型（gemini-2.5-flash-preview-tts）采用基于令牌的计费方式，是一款针对速度和低成本优化的 Flash 变体。其功能可能不如 Cloud TTS 丰富，但对于简单、高并发的 TTS 场景，性价比可能更高。google/gemini-2.5-flash-preview-tts 为预览版，而 Cloud TTS 已正式发布并提供 SLA 保障。如果你需要可靠性和高级功能，Cloud TTS 更稳妥；如果追求低延迟和低成本，可以尝试此模型。
OpenAI TTS-1 每1000个字符收费0.015美元。两种模型均可从文本生成音频。OpenAI的模型以富有表现力的声音和广泛采用而闻名，但其定价模式不同（按字符计费）。google/gemini-2.5-flash-preview-tts 采用按token计费的方式，对于非常短的文本可能更便宜，但对于长文本则更贵（因为一个字符可能对应多个token）。OpenAI TTS-1 稳定且已可用于生产，而谷歌的模型仍为预览版。您可以通过OrcaRouter切换模型ID来使用两者。请测试您的具体使用场景以比较成本和音频质量。
开源TTS模型如Coqui TTS、Piper或Bark虽然是免费的，但需要自行托管、维护和GPU资源。它们提供定制化能力，但缺乏API调用的速度和简便性。通过OrcaRouter使用google/gemini-2.5-flash-preview-tts消除了基础设施开销，并提供按使用付费的模式。对于业余项目，开源可能更便宜；对于需要低延迟和最小化管理的生产环境，API则更方便。若将托管成本考虑在内，预览模型的速率和成本可能与某些开源模型具有竞争力。
Amazon Polly 提供多种语音、SSML 支持以及免费套餐（每月500万个字符）。计费方式为按字符计费（标准版 $0.000004，神经网络版 $0.000016）。google/gemini-2.5-flash-preview-tts 基于令牌计费，其预览状态意味着没有 SLA 或免费套餐。对于低用量场景，Polly 的免费套餐很有吸引力。对于高用量场景，此模型的令牌计费可能更便宜也可能更贵，具体取决于压缩率。Polly 支持多种语言以及发音词典等功能。该模型更简单，但速度更快，成本更低，具体取决于使用情况。
兼容 OpenAI——沿用你现有的 SDK
https://api.orcarouter.ai/v1voice| 输入 / 1M tokens | $0.500 |
|---|---|
| 输出 / 1M tokens | $10.00 |
| 货币 | USD |
基于标价的估算
仅为估算——实际 Token 数取决于提供商的分词器。
本周开发者的讨论
@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