Gemini 2.5 Pro TTS für NSFW-Audio: Getestet und mit passenden Einstellungen

Sie haben ein Skript für Erwachsene — eine Sprachnachricht, ein Romankapitel oder eine Szene mit zwei Figuren — und möchten es unverändert vertonen lassen, einschließlich Atemzügen und Seufzern, und die Kosten kennen. Gemini 2.5 Pro TTS erledigt das auf SpicyAPI. SpicyAPI fügt keinen Inhaltsfilter hinzu: In unseren Tests im September 2026 wurden Skripte für Erwachsene vollständig vertont, ohne Auslassungen, Abschwächungen oder vorzeitiges Ende.

So beginnen Sie im Playground:

1. Wählen Sie unter Voice eine passende Stimme: Enceladus (behaucht), Achernar (sanft), Sulafat (warm), Gacrux (reif) oder die Standardstimme Kore (bestimmt).
2. Stellen Sie Style ein (Whisper eignet sich meist für intime Inhalte), und ergänzen Sie ein oder zwei Sätze unter Delivery instructions oder Scene, die zur Situation passen.
3. Schreiben Sie Geräusche in eckigen Klammern in Text, etwa [sighs] oder [laughs]. In unseren Beispielen wurden diese Hinweise als Geräusche umgesetzt; wird einer vorgelesen, verschieben Sie die Anweisung nach Delivery instructions.
4. Verwenden Sie für zwei Figuren Dialogue und Speakers statt Text.

Gemini 2.5 Pro TTS ausprobieren →

Zuerst im Playground ausprobieren

Öffnen Sie Gemini 2.5 Pro TTS, wählen Sie den Tab Playground und die Ansicht Form:

1. Fügen Sie Ihr Skript in Text ein (bis zu 5.000 Zeichen). Die Cues-Abkürzungen fügen [whispers], [sighs], [laughs], [gasps] und [pause] ein.
2. Wählen Sie eine Voice (etwa Enceladus · Breathy), setzen Sie Style auf Whisper und Pace auf Unhurried, um eine langsame, verweilende Lesung zu erhalten.
3. Schreiben Sie ein oder zwei Sätze in Delivery instructions und Scene. Beide werden nicht gesprochen.
4. Prüfen Sie die längenbasierte Kostenschätzung unter Text, drücken Sie Run model, und hören Sie das Ergebnis unter Output an. Dort können Sie die WAV-Datei herunterladen.

Testen Sie hier Ihre schwierigste Passage, bevor Sie Code schreiben: Ein Hinweis, der im Playground vorgelesen statt umgesetzt wird, wird auch über die API vorgelesen. Die folgenden Einstellungen erklären die einzelnen Bedienelemente.

Einstellungen, die das Ergebnis verändern

voice_id akzeptiert eine von 30 vorgefertigten Stimmen. Standard ist Kore.

Vier optionale Felder gestalten den Vortrag. Keines wird vorgelesen.

• style legt die allgemeine Sprechweise fest: whisper, empathetic, vocal_smile, newscaster, promo_hype oder deadpan.
• pace legt den Rhythmus fest: natural, rapid_fire (schnell, knapp), the_drift (langsam, verweilend) oder staccato (kurze, getrennte Phrasen). Langsameres Sprechen bedeutet mehr Audiosekunden, und Sie bezahlen pro Sekunde.
• instructions (bis zu 1.000 Zeichen) enthält freie Anweisungen zu Stimmung, Mikrofonabstand und angesprochener Person. Ein oder zwei Sätze funktionieren besser als eine Adjektivliste: "close to the microphone, unhurried, as if speaking only to the listener".
• scene (bis zu 500 Zeichen) beschreibt Ort und Gegenüber, etwa "a quiet hotel room after midnight".

accent (acht englische Akzente, nur für englische Skripte) und temperature (wie stark einzelne Aufnahmen variieren) sind optional. Lassen Sie sie weg, bis Sie eine Variation wünschen. Es gibt kein Sprachfeld; das Modell erkennt die Sprache des Skripts, und jede Stimme behält ihren Charakter.

Das Skript für die Vertonung schreiben

Kurze Hinweise in eckigen Klammern innerhalb von text markieren ein Geräusch oder einen Wechsel der Sprechweise. [sighs] und [laughs] wurden in unseren Beispielen umgesetzt. Verwenden Sie style: "whisper" oder instructions für die Sprechweise längerer Passagen; wird ein Tag als Wort vorgelesen, nutzen Sie stattdessen diese Felder. Auslassungspunkte deuten Pausen an.

Zwei Gewohnheiten helfen:

• Für das Ohr schreiben. Schreiben Sie aus, was gesprochen werden soll, verwenden Sie Auslassungspunkte und Kommas für Pausen, und halten Sie die Sätze kurz.
• Regie in den Feldern, nicht im Text. Schreiben Sie "she whispers breathlessly" in text, wird es als Text vorgelesen. Setzen Sie das in style oder instructions.

Anschließend per Code aufrufen

Dieser Block erstellt die Aufgabe, wartet auf sie und gibt den WAV-Link aus (pip install spicyapi, mit gesetztem SPICY_API_KEY):

import uuid

from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment

task = client.create_task(
    model="google/gemini-2.5-pro-tts/text-to-speech",
    input_data={
        "text": "Hey... it is me. [sighs] I know it is late. Stay on the line a little longer?",
        "voice_id": "Enceladus",
        "style": "whisper",
        "pace": "the_drift",
        "scene": "A quiet bedroom after midnight, speaking to one listener",
        "instructions": "Close to the microphone, unhurried, a little tired.",
    },
    idempotency_key=str(uuid.uuid4()),  # new key per new request; reuse only to retry the same one
)

final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise RuntimeError(f"Task {task['taskId']} ended as {final['state']}")

print(output_assets(final)[0]["url"])  # a 24 kHz, 16-bit mono WAV; copy it to your own storage

Das Audio wird 14 Tage gespeichert; Wortzeitstempel oder Untertitel gibt es nicht. Warten, Wiederholungen, ablaufende Ergebnislinks und Fehlerbehandlung erläutern die Python-SDK-Referenz, die Aufgabendokumentation und die Aufbewahrungsregeln.

Oder einen Agent ausführen lassen

Soll ein Assistent die Sprachnachrichten erzeugen, geben Sie ihm die CLI oder den MCP-Server. Beide zeigen den Preis und verlangen vor einem kostenpflichtigen Aufruf Ihre Bestätigung. Der Skill ergänzt beide um Anweisungen.

• CLI. spicyapi (npx @spicyapi/cli funktioniert ohne Installation); input.json enthält das input-Objekt aus dem obigen Block:

``bash spicyapi tasks create --model google/gemini-2.5-pro-tts/text-to-speech \ --input-file input.json --wait ``

• MCP-Server. Fügen Sie den MCP-Server hinzu und fragen Sie: "Read this script in a whispered Enceladus voice with Gemini 2.5 Pro TTS." Er ruft spicyapi_task_create (mit Unterbrechung für Ihre Preisbestätigung) und spicyapi_task_wait auf.
• Skill. npx skills add spicyapi-ai/spicy-skill installiert den Agent Skill, der einem Coding-Assistenten beibringt, das aktuelle Schema zu lesen und Idempotenzschlüssel wiederzuverwenden. Er kann selbst keine Aufgaben ausführen; nutzen Sie ihn mit CLI oder MCP.

Zwei Figuren in einem Clip

Für eine Szene zwischen zwei Figuren senden Sie dialogue statt text (nicht beides) sowie speakers mit der Besetzung. Jeder Sprecher besitzt einen name, auf den sich die Zeilen beziehen, und eine voice_id. Er kann eigene Werte für accent, style und pace sowie ein kurzes profile mit der Sprecherbeschreibung festlegen (nicht vorgelesen). Fehlende Sprecherwerte übernehmen die Werte auf oberster Ebene. Jede Dialogzeile ist {speaker, text}; die Zeilen werden der Reihe nach gesprochen. Möglich sind bis zu 20 Zeilen mit je 250 Zeichen und höchstens zwei Sprecher. Nutzen Sie denselben Aufruf wie oben und ersetzen Sie das input-Objekt durch dieses:

{
  "speakers": [
    { "name": "Mara", "voice_id": "Sulafat", "style": "whisper", "profile": "Warm, close, unhurried" },
    { "name": "Jonah", "voice_id": "Charon", "profile": "Low, amused" }
  ],
  "dialogue": [
    { "speaker": "Mara", "text": "Stay a little longer." },
    { "speaker": "Jonah", "text": "[laughs] You say that every time." },
    { "speaker": "Mara", "text": "And every time you do." }
  ],
  "scene": "A quiet apartment after midnight"
}

Der Dialog wird als eine gemischte WAV-Datei zurückgegeben. Möchten Sie die Zeilen einer Figur später separat bearbeiten, erzeugen Sie jede Figur als eigene Aufgabe mit einer Stimme und verbinden Sie die Dateien im Editor. Für längere Szenen, mehr als zwei Stimmen oder eine anhand eines Referenzclips geklonte Stimme lesen Sie den TTS-Vergleich und den Leitfaden zu Chatterbox-Stimmreferenzen.

Die Kosten

Abgerechnet wird die tatsächlich zurückgegebene, anhand der Datei gemessene Audiodauer mit $0,00045 pro Sekunde. Die Länge hängt von Stimme, Stil und Tempo ab: Ein Absatz mit 270 Zeichen dauert 23 bis 29 Sekunden. Die groben Kosten entsprechen daher der Zeichenzahl geteilt durch 10, multipliziert mit $0,00045.

Während eine Aufgabe läuft, werden etwa $0,30 auf Ihrem Guthaben reserviert (660 Sekunden zum Sekundenpreis, genug für den längsten möglichen Clip von etwa 655 Sekunden). Der ungenutzte Anteil wird freigegeben, sobald das Audio gemessen wurde. Fehlgeschlagene Anfragen werden nicht berechnet. Halten Sie vor dem Einreihen eines Stapels mindestens diesen Betrag frei, da Reservierungen früherer Aufgaben das Starten der nächsten verhindern können.

Häufige Stolperstellen

• Ein Hinweis wird als Wort vorgelesen. Formulieren Sie ihn um, oder verschieben Sie die Anweisung nach style oder instructions und lassen Sie nur das Geräusch in Klammern.
• Die Anweisung scheint ignoriert zu werden. accent wirkt nur auf englische Skripte; style und pace auf oberster Ebene gelten für jeden Sprecher ohne eigene Werte.
• Sie haben text und dialogue gesendet. Wählen Sie eines; dialogue benötigt zusätzlich speakers.

Wann eine neuere Gemini-Stimme sinnvoll ist

Gemini 3.8 Flash TTS ($0,00032 pro Sekunde) und Gemini 3.8 Flash-Lite TTS ($0,00021 pro Sekunde) akzeptieren dieselben Felder einschließlich dialogue zu einem niedrigeren Preis. Flash-Lite liest manche Klammerhinweise eher vor. Wählen Sie Pro, wenn Atemzüge und Seufzer wichtig sind. Flash setzt Klammerhinweise meist ebenfalls um; hören Sie vorher eine kurze Passage probe. Der Gemini-3.8-Leitfaden für Vertonungen beschreibt beide ausführlich.

Häufige Fragen

Ist Gemini 2.5 Pro TTS unzensiert?

Unsere getesteten Skripte für Erwachsene wurden vollständig zurückgegeben, ohne ausgelassene oder abgeschwächte Wörter. SpicyAPI fügt keinen zusätzlichen Inhaltsfilter hinzu. Sie bleiben für Ihre Skripte und die Verwendung des Audios verantwortlich, einschließlich dessen, es nicht als Worte einer realen Person auszugeben. Verwenden Sie fiktive, erwachsene Figuren.

Werden Hinweise wie [sighs] oder [laughs] vorgelesen?

In den getesteten Beispielen wurden [sighs] und [laughs] als Geräusche umgesetzt. Wird ein anderer Hinweis gesprochen, verschieben Sie die Anweisung nach instructions oder nutzen Sie style. Andere Modelle verhalten sich anders, wie der obige TTS-Vergleich erklärt.

Was unterscheidet instructions, scene und style?

style bietet eine feste Auswahl allgemeiner Sprechweisen. instructions enthält freie Regieanweisungen zum Vortrag; scene beschreibt, wo und zu wem gesprochen wird. Verwenden Sie zuerst style und ergänzen Sie dann instructions oder scene für die Situation.

Was kostet eine Minute Audio?

Etwa $0,027. Abgerechnet werden die zurückgegebenen Sekunden, nicht die Skriptlänge.

Kann ich eine Stimme klonen?

Nicht an diesem Endpunkt. Wählen Sie aus den 30 vorgefertigten Stimmen, oder nutzen Sie ein Modell, das einen Referenzclip akzeptiert.

Beginnen Sie im Playground (erstellen Sie vorher ein Konto): Enceladus, Whisper und ein kurzes Skript mit einem [sighs]-Hinweis zeigen, wie die Regie umgesetzt wird.