Vous créez un livre audio, une voix de compagnon ou des répliques de jeu pour adultes ? Cette page indique lesquels des neuf modèles de synthèse vocale sans censure de SpicyAPI lisent votre script tel quel, produisent des respirations et des gémissements, et combien coûte une minute finale, d'après nos tests de septembre 2026.
En bref : les neuf ont lu les scripts explicites de test en entier, sans refus, extraits interrompus ni mots atténués. Le choix dépend donc des indications de jeu, des voix, de la prise en charge de deux locuteurs et du clonage, ainsi que de l'unité de facturation. Commencez par Gemini 3.8 Flash TTS pour interpréter les indications entre crochets, par Gemini 3.8 Flash-Lite TTS ou Grok TTS pour le prix par minute finale le plus bas, environ $0.013 et $0.015, et par Chatterbox uniquement pour imiter une voix que vous êtes autorisé à utiliser.
La comparaison
| Modèle | Voix | Langues | Comment le diriger | Indications dans le texte | Deux voix | Référence vocale | Texte maximal | Facturation et prix |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Pro TTS | 30 | Détection automatique | style, accent, pace, scene, instructions | Crochets comme [sighs], interprétés | Oui | Non | 5 000 | Par seconde, $0.00045 |
| Gemini 3.8 Flash TTS | 30 | 130+, automatique | Les mêmes cinq champs | Crochets, généralement interprétés | Oui | Non | 5 000 | Par seconde, $0.00032 |
| Gemini 3.8 Flash-Lite TTS | 30 | 100+, automatique | Les mêmes cinq champs | Crochets parfois lus ; écrire les sons en toutes lettres | Oui | Non | 5 000 | Par seconde, $0.00021 |
| Grok TTS | 71 | Automatique ou 20 codes | speed 0.7–1.5, balises | [laugh], [pause], balises de respiration, balises encadrantes comme <whisper> | Non | Non | 15 000 | Par 1 000 caractères, $0.018 |
| MiniMax Speech 2.8 Turbo | 472 | 40 plus automatique | 7 valeurs de emotion, speed, pitch, volume | Parenthèses (sighs), (breath) | Non | Non | 5 000 | Par 1 000 caractères, $0.072 |
| MiniMax Speech 2.8 HD | 472 | 40 plus automatique | Comme Turbo | Comme Turbo | Non | Non | 5 000 | Par 1 000 caractères, $0.12 |
| Seed Speech 2.0 | 41 | 10, dont le chinois | Note dans instructions, speed, pitch, volume | Pas de balises ; décrire le jeu dans instructions | Non | Non | 5 000 | Par 1 000 caractères, $0.072 |
| Qwen3 TTS | 9, dont les dialectes de Pékin et du Sichuan | 10, dont le chinois | Note dans instructions | Pas de balises ; décrire le jeu dans instructions | Non | Non | 2 000 | Par 1 000 caractères, $0.068, minimum de 100 caractères |
| Chatterbox | 1 intégrée | Anglais uniquement | exaggeration, temperature, guidance_scale | Balises lues ; écrire les sons en toutes lettres | Non | Oui, extrait MP3 ou WAV | 1 000 | Forfait par requête, $0.036 |
Gemini 2.5 Pro TTS coûte 10% de moins que le tarif catalogue de Google. Google annonce plus de 130 langues pour Flash et plus de 100 pour Flash-Lite dans sa documentation de génération vocale. Gemini et Chatterbox produisent du WAV mono à 24 kHz, les autres du MP3 par défaut. SpicyAPI n'ajoute aucun filtre de contenu propre, et une requête échouée n'est pas facturée.
Obtenir gémissements, respirations et murmures avec chaque modèle
Sur un script riche en indications, Gemini 2.5 Pro, Gemini 3.8 Flash, Grok et MiniMax interprètent leurs balises sans les prononcer dans la plupart des prises. Gemini 3.8 Flash-Lite lit parfois les mots des balises, Chatterbox toujours ; écrivez donc les sons en toutes lettres avec ces modèles.
La manière d'écrire le son dépend du modèle :
- Gemini 2.5 Pro et 3.8 Flash : placez
[whispering],[sighs]ou[laughing]juste avant les mots concernés. Rythme, accent et humeur se règlent dans les champs séparés, qui ne sont pas prononcés. - Gemini 3.8 Flash-Lite : évitez les crochets dans le script. Écrivez le son comme un mot ("Mmm…", "ahh…", "ha…") et l'humeur dans
instructions. Si l'interprétation des indications compte, utilisez Flash. - Grok TTS : utilisez les balises en ligne
[pause],[laugh]et celles de respiration, ainsi que des balises encadrantes comme<whisper>…</whisper>autour de phrases entières. Le guide des balises vocales de xAI indique que les balises associées à la ponctuation sonnent plus naturellement que les balises empilées. - MiniMax Speech 2.8 : placez
(breath),(pant)ou(gasps)entre parenthèses là où le son doit survenir. Choisissez une valeur deemotionpar requête et découpez la scène si l'humeur change. - Chatterbox : les balises sont lues. Écrivez les sons en toutes lettres et augmentez
exaggerationpour les répliques dramatiques ; baissezguidance_scalesi la lecture est précipitée. - Seed Speech 2.0 et Qwen3 TTS : aucune balise. Décrivez le jeu dans
instructions("breathless, close to the microphone") et écrivez les sons en toutes lettres.
Quel modèle pour quelle tâche ?
Indications interprétées et direction fine. Gemini 3.8 Flash TTS et Gemini 2.5 Pro TTS partagent les mêmes champs et interprètent les indications entre crochets. Flash coûte moins cher par seconde et documente 130+ langues. Choisissez un autre modèle pour une référence vocale ou une longue requête unique. Réglages : flux de narration, test de 2.5 Pro.
Narration simple au prix le plus bas. Gemini 3.8 Flash-Lite TTS et Grok TTS. Lite facture l'audio renvoyé, donc un débit lent coûte plus cher. Grok facture les caractères du script et accepte un chapitre entier en une requête. Grok n'a qu'un locuteur ; gardez Lite pour une narration simple à deux locuteurs avec ses champs dialogue et speakers.
Nombreuses voix et contrôle émotionnel. MiniMax Speech 2.8. Turbo coûte 40% de moins que HD, essayez-le d'abord ; voir HD face à Turbo. Pour une référence vocale, choisissez autre chose : aucun des deux n'en accepte.
Personnages multilingues ou parlant chinois. Seed Speech 2.0 accepte des instructions en langage naturel (flux de dialogue). Qwen3 TTS ajoute des voix en dialectes de Pékin et du Sichuan, mais limite le texte à 2 000 caractères (guide des locuteurs).
Une voix que vous fournissez. Chatterbox accepte un extrait de référence MP3 ou WAV facultatif et adopte son timbre ; quelques secondes d'une seule voix nette fonctionnent le mieux. N'utilisez que les voix que vous avez le droit d'utiliser. Voir le guide des références vocales. Il ne prend en charge que l'anglais ; choisissez un autre modèle pour les autres langues. L'API de Google annonce la réplication vocale pour Gemini 3.8, mais les tâches SpicyAPI n'exposent aucun champ de référence.
Combien cela coûte
Les unités de facturation diffèrent. Voici un paragraphe de ~270 caractères et un chapitre d'environ dix minutes.
| Modèle | Durée habituelle | Coût d'un paragraphe | Coût approximatif de 10 minutes d'audio |
|---|---|---|---|
| Gemini 2.5 Pro TTS | 23–29 s | $0.010–0.013 | environ $0.27 |
| Gemini 3.8 Flash TTS | 20–24 s | $0.006–0.008 | environ $0.19 |
| Gemini 3.8 Flash-Lite TTS | 22–26 s | environ $0.005 | environ $0.13 |
| Grok TTS | environ 19 s | $0.005 | environ $0.15 |
| MiniMax Speech 2.8 Turbo | 20–22 s | $0.019 | environ $0.56 |
| MiniMax Speech 2.8 HD | 20–22 s | $0.032 | environ $0.93 |
| Seed Speech 2.0 | environ 25 s | $0.019 | environ $0.47 |
| Qwen3 TTS | environ 24 s | $0.018 | environ $0.46, en quatre requêtes |
| Chatterbox | environ 15 s | $0.036 forfaitaires | environ $0.40 en onze requêtes de 1 000 caractères, environ $0.79 avec des blocs de 500 caractères |
Les montants sur dix minutes suivent le débit de chaque modèle : un jeu plus lent coûte davantage avec Gemini facturé à la seconde. Seed, Qwen3, Grok et MiniMax facturent le script envoyé, balises comprises ; le prix annoncé avant l'exécution est donc définitif. Chatterbox coûte $0.036 quelle que soit la durée du clip, sous 1 000 caractères.
Limites communes aux neuf modèles
Les neuf sont asynchrones (soumission, interrogation, téléchargement) : ils conviennent aux livres audio, répliques de jeu et messages vocaux plutôt qu'aux appels en direct. Une requête renvoie un fichier sans horodatage par mot, conservé 14 jours. Deux voix dans une requête (jusqu'à 20 lignes de 250 caractères) ne fonctionnent qu'avec Gemini ; ailleurs, générez chaque locuteur séparément et assemblez les fichiers. Réservez les scripts aux personnages adultes fictifs ; vos obligations légales concernant vos publications vous incombent.
Les trois modes de facturation fonctionnent différemment. Gemini facture chaque seconde d'audio renvoyé : un montant prévu pour un long clip (environ $0.21 sur Flash, $0.30 sur 2.5 Pro) est réservé pendant la tâche, puis la réservation est réduite au montant réel après mesure de l'audio. Grok, MiniMax, Seed et Qwen3 facturent les caractères du script : le prix affiché avant l'exécution est définitif. Chatterbox applique un forfait par requête.
Essayez d'abord dans Playground
- Ouvrez la page Gemini 3.8 Flash TTS et restez dans l'onglet Playground, vue Form. Connectez-vous avec un compte crédité pour exécuter le modèle.
- Collez votre script dans Text, ou cliquez sur Sample script. Placez
[whispers]ou[sighs]entre crochets juste avant les mots concernés. - Choisissez une Voice (Kore par défaut) et, si nécessaire, Style, Pace ou Accent. Delivery instructions et Scene façonnent la lecture sans jamais être prononcés.
- Lancez le modèle, écoutez Preview et cliquez sur Download pour conserver le fichier.
Sur Grok TTS, les étapes sont identiques, avec Voice, Language et Speed, et les balises comme <whisper>…</whisper> dans Text. Modifiez un seul champ par nouvelle tentative.
Exécutez ensuite depuis le code
Installez le Python SDK (pip install spicyapi), définissez SPICY_API_KEY dans votre environnement, puis exécutez :
import uuid
from spicyapi import SpicyClient, output_assets
client = SpicyClient() # reads SPICY_API_KEY from the environment
task = client.create_task(
model="google/gemini-3.8-flash-tts/text-to-speech",
input_data={
"text": "[whispering] You made it. I was starting to think you had changed your mind. [sighs] Stay a little longer.",
"voice_id": "Kore",
"instructions": "Quiet and warm, speaking to one adult listener.",
},
idempotency_key=str(uuid.uuid4()),
)
print("Resume task:", task["taskId"], flush=True)
final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
raise RuntimeError(f"{task['taskId']} ended as {final['state']}: {final.get('errorCode')}")
assets = output_assets(final)
if not assets or any(a.get("pending") or a.get("unavailable") or not a.get("url") for a in assets):
raise RuntimeError(f"Task {task['taskId']} has no ready output; check this task before a new run")
print(assets[0]["url"]) # copy the audio to your own storage nowPour utiliser Grok TTS, remplacez model par xai/grok-tts/text-to-speech et l'entrée par {"text": "<whisper>You made it.</whisper> [pause] I was starting to think you had changed your mind. [sigh] Stay a little longer.", "voice_id": "eve", "language": "en"}. La création, l'attente, le téléchargement et les nouvelles tentatives sont décrits dans le guide des tâches et la référence du Python SDK.
Ou laissez un Agent l'exécuter
Pour faire lire vos scripts par un assistant, les trois outils officiels affichent le prix et vous demandent confirmation avant un appel payant.
- CLI. Placez l'objet
inputdansinput.json, puis :
``bash spicyapi tasks create --model google/gemini-3.8-flash-tts/text-to-speech --input-file input.json --wait ``
Voir la documentation CLI ; npx @spicyapi/cli fonctionne sans installation.
- Serveur MCP. Ajoutez le serveur MCP à votre assistant, puis demandez : "Read this script with Gemini 3.8 Flash TTS in the Kore voice." Il appelle
spicyapi_task_create, qui s'arrête pour votre confirmation du prix, puisspicyapi_task_wait. - Skill.
npx skills add spicyapi-ai/spicy-skillinstalle l'Agent Skill, qui fait lire le schéma actuel du modèle à l'assistant de programmation au lieu de lui faire deviner les champs.
Questions fréquentes
Ces modèles refusent-ils ou atténuent-ils des scripts explicites ?
Non. Les neuf ont lu les scripts explicites de test en entier.
Cela fonctionne-t-il pour les scripts non anglophones ?
Oui, sauf Chatterbox, uniquement anglophone. Gemini Flash et Flash-Lite détectent 130+ et 100+ langues ; MiniMax en annonce 40, Grok 20, Seed Speech et Qwen3 10 chacun.
Quel modèle interprète le plus sûrement des indications comme [moaning] ?
Gemini 2.5 Pro TTS, Gemini 3.8 Flash TTS, Grok TTS et MiniMax Speech 2.8 interprètent leurs balises sous forme de sons dans la plupart des prises. Gemini 3.8 Flash-Lite TTS lit parfois le mot de la balise, Chatterbox toujours ; écrivez donc les sons en toutes lettres avec ces deux modèles.
Lequel est le moins cher ?
Par minute finale, Gemini 3.8 Flash-Lite TTS (environ $0.013) et Grok TTS (environ $0.015) sont les moins chers. Les unités diffèrent : comparez le tableau des coûts ci-dessus plutôt que les tarifs affichés seuls.
Puis-je cloner une voix ou utiliser deux voix dans un extrait ?
Clonage : uniquement Chatterbox, à partir d'un court extrait que vous avez le droit d'utiliser. Deux voix en une requête : uniquement les trois Gemini. Pour les autres, générez chaque locuteur séparément et assemblez les fichiers.
Chatterbox vaut-il le coup avec une voix intégrée et seulement l'anglais ?
Oui, pour imiter une voix autorisée ou obtenir une voix anglaise expressive au forfait de $0.036 par requête, quelle que soit la durée du clip.
En bref : Flash pour interpréter les indications, Flash-Lite ou Grok pour le prix, MiniMax pour le choix des voix, Chatterbox pour une voix fournie.
Vous voulez qu'un visage prononce le résultat ? Voir le flux de synchronisation labiale. Utilisateurs de Grok : voir le flux vocal Grok.
