Aller au contenu principal

Sans censure — Ce modèle déclare ne pas filtrer le contenu. SpicyAPI transmet sans ajouter d’analyse de contenu par la plateforme ; les obligations juridiques et de consentement restent au client.Voir tous les modèles à ce niveau de filtrage
google/gemini-2.5-pro-tts/text-to-speech

Le text-to-speech Gemini 2.5 Pro lit un script avec l’une des 30 voix et renvoie un WAV mono 24 kHz. Accent, style et rythme se dirigent en langage courant, les indications comme [sighs] sont jouées, et un dialogue peut utiliser deux voix.

À partir de $0.00045/s10 % sous le tarif officiel
Exécuter le modèle

Atelier

Entrée

Texte vers parole
Renseignez au moins l’un de ces champsCondition remplie
127/5000
Les mots à prononcer, exactement tels qu’écrits. Les indications entre crochets comme [sighs] sont jouées, pas lues. Jusqu’à 5 000 caractères. Pour une conversation à deux voix, utilisez plutôt dialogue. 1 caractères minimum · 5000 caractères maximum

Environ 11 s d’audio (estimation approximative)

Dialogue0/20
Un dialogue scénarisé pour deux voix au plus, à la place de text : jusqu’à 20 répliques, chacune avec speaker (un nom tiré de speakers) et un text de 250 caractères au maximum. Les répliques sont jouées dans l’ordre. Facturé à la seconde d’audio renvoyée, comme text. 1 éléments minimum · 20 éléments maximum
Intervenants0/2
La distribution de dialogue : une ou deux entrées, chacune avec un name auquel renvoient les répliques, un voice_id et, en option, accent, style, pace et profile (une courte description de la personne qui parle, qui n’est pas lue). Ce qu’une entrée ne précise pas reprend les champs accent, style et pace de premier niveau. Ne modifie pas le prix à la seconde. 1 éléments minimum · 2 éléments maximum
L’une des 30 voix prédéfinies, chacune avec un caractère fixe. Kore par défaut. Elle lit text ; dans dialogue, chaque entrée fixe son propre voice_id.
Style
ChuchotéEmpathiqueSourire dans la voixJournal téléviséVoix de pubPince-sans-rire
Manière d’ensemble de la lecture. Laissez vide pour garder la manière par défaut de la voix. Dans dialogue, il s’applique aux entrées qui n’en fixent pas.
Rythme
NaturelRapidePoséStaccato
Rythme de la lecture : natural, rapid_fire (rapide et haché), the_drift (lent et traînant) ou staccato (phrases courtes et détachées). Sans valeur, la voix garde son propre rythme ; dans dialogue, il s’applique aux entrées qui n’en fixent pas. Un rythme plus lent donne plus de secondes d’audio, et c’est ce qui est facturé.
Accent anglais utilisé pour la lecture. neutral par défaut. Dans dialogue, il s’applique aux entrées qui n’en fixent pas.
0/1000
Consigne libre sur la façon de lire : rythme, humeur, distance au micro, auditeur. Elle façonne l’interprétation et n’est pas prononcée. Jusqu’à 1 000 caractères. 1000 caractères maximum

Jamais lu à voix haute. Sert uniquement à orienter l’interprétation du script.

0/500
Où et à qui les mots sont dits, par exemple « une chambre d’hôtel silencieuse après minuit ». Oriente l’interprétation et n’est pas lu. Jusqu’à 500 caractères. Ne modifie pas le prix à la seconde. 500 caractères maximum
Température
Variation entre les prises, de 0 à 2 : plus la valeur est élevée, moins l’interprétation est prévisible. Sans valeur, le modèle applique son réglage par défaut. Ne modifie pas le prix à la seconde. pas inférieur à 0 · pas supérieur à 2
Filtre de sécuritéDésactivé

SpicyAPI n’applique aucun filtre de sécurité à ce modèle. Votre prompt et vos médias sont transmis tels quels, et c’est le modèle lui-même qui décide du résultat.

Nous vérifions votre compte avant d’activer l’envoi et le calcul du prix.

Sortie

Prêt pour une nouvelle exécution
Rendu d’exemple
0:00 / –:––
Avatar
Parole vers texte
Synchronisation labiale

Modèles liés et tâches suivantes

Le modèle que vous cherchez n’est pas là ?

Dites-nous lequel ajouter et à quoi il vous servira. Les demandes vont directement à l’équipe qui décide des prochains modèles.

Diriger une lecture comme on briefe un comédien de doublage

Gemini 2.5 Pro TTS transforme jusqu'à 5 000 caractères de script en un seul fichier WAV, lu par l'une des 30 voix prédéfinies. Quatre commandes façonnent l'interprétation : voice_id choisit la voix, style fixe une manière générale comme chuchoté ou présentateur d'actualités, accent restreint une lecture anglaise à l'une des huit variantes, et instructions accepte une ou deux phrases de consigne en langage courant. Les indications écrites entre crochets, comme [sighs], sont jouées plutôt que lues à voix haute. SpicyAPI n'ajoute aucun filtre de contenu, et dans nos tests le modèle a lu en entier nos scripts de test les plus forts, monologues et narrations. La facturation se fait à la seconde d'audio réellement renvoyée.

Ouvrir le playground
Voix
30 prédéfinies, chacune au caractère fixe
Longueur du script
Jusqu'à 5 000 caractères par requête
Direction
voice_id, style, accent (anglais) et instructions
Sortie
Un fichier WAV, 24 kHz, 16 bits, mono
Clip le plus long
Environ 655 secondes (16 384 jetons audio)
Facturation
À la seconde d'audio, 10 % sous Google
Direction
Des notes en langage courant plutôt qu'une fiche de réglagesstyle fixe une manière comme whisper ou deadpan, accent limite une lecture en anglais à huit variantes, et instructions accepte une ou deux phrases sur le rythme, l'humeur et la distance au micro. Rien de tout cela n'est prononcé : cela façonne seulement la façon dont la voix fixe lit le script.
Interprétation
Les indications entre crochets sont jouées, pas luesÉcrivez [sighs], [whispering] ou [laughing] dans le script, et le modèle joue l'indication au lieu de prononcer ces mots : un seul champ de texte porte ainsi les paroles et une partie de l'interprétation.
Contenu
Aucun filtre de contenu, des scripts lus tels qu'écritsSpicyAPI n'applique aucun filtre de contenu propre. Dans nos tests, le modèle a lu en entier nos trois scripts de test les plus forts (un monologue à la première personne, un passage façon livre audio et une scène portée par des indications entre crochets), sans sauter de mots ni couper le clip.

Ce que l'API Gemini 2.5 Pro TTS fait bien

  • Quatre réglages plutôt qu'un simple choix de voix

    voice_id, style, accent et instructions se combinent : choisissez une voix, fixez une manière générale, limitez l'accent pour un script en anglais, puis ajoutez une courte note pour ce que les trois premiers ne couvrent pas. Changer l'humeur d'une réplique ne demande pas de changer de voix.

  • Des notes de direction jamais prononcées

    instructions accepte jusqu'à 1 000 caractères de direction en langage courant — rythme, humeur, qui écoute, distance au micro — et rien de tout cela ne se retrouve dans l'audio. Script et direction restent nettement séparés.

  • Des indications entre crochets jouées dans le script

    [sighs], [whispering], [laughing] et autres sont jouées exactement là où elles apparaissent dans le texte plutôt que prononcées comme des mots, si bien que les temps forts d'une scène peuvent être posés directement dans le script.

  • Un fichier sans perte, prêt pour la suite

    La sortie est un unique fichier WAV en 24 kHz, 16 bits, mono — sans artefacts de compression à nettoyer avant mixage, montage ou transmission à un autre modèle.

  • Facturé uniquement pour les secondes obtenues

    Une retenue couvre le clip le plus long possible pendant l'exécution de la tâche, puis le montant se règle sur la durée réelle de l'audio renvoyé une fois mesuré. Une requête échouée n'est pas facturée.

  • Des scripts sans filtre, lus tels qu'écrits

    SpicyAPI n'ajoute aucun filtre de contenu. Dans nos tests, nos scripts de test les plus forts, à la première personne et en narration, ont été lus en entier, et les indications entre crochets comme [breathy] ont été jouées, sans rien sauter ni couper.

À qui Gemini 2.5 Pro TTS s'adresse

  • Producteurs de livres audio et de fiction feuilletonnée

    Une voix, constante d'un chapitre à l'autre

    Fixez une voix et une courte note instructions une fois pour toutes, puis réutilisez-les sur tout le livre. La même voix avec la même direction lit de façon constante d'un chapitre au suivant.

  • Créateurs d'applications de chat et de compagnie

    Une voix de personnage avec sa propre humeur

    style et instructions transforment un script plat en quelque chose qui semble s'adresser à un seul auditeur — un style whisper avec une note sur la proximité du micro se lit très différemment de la même réplique en style newscaster.

  • Éditeurs audio sans filtre

    Des scripts sans filtre, lus sans retouche

    Dans nos tests, le modèle a lu en entier nos scripts de test les plus forts, à la première personne et en narration, en jouant les sons et les respirations entre crochets au lieu de les sauter. Ce que vous publiez, et à qui, reste votre décision.

  • Pipelines vidéo et animation

    Une piste vocale à confier à un modèle de synchronisation labiale

    Générez la réplique ici, récupérez un fichier WAV, puis transmettez-le à un modèle d'avatar parlant ou de lip-sync pour qu'un visage l'interprète. La durée de l'audio fixe la durée du clip en aval.

Comment appeler l'API Gemini 2.5 Pro TTS

  1. Écrire le script dans text

    Jusqu'à 5 000 caractères, exactement tels qu'ils doivent être prononcés, ponctuation comprise pour marquer les pauses.

  2. Choisir un voice_id

    L'une des 30 voix prédéfinies. Kore est utilisée par défaut si le champ est omis.

  3. Ajouter style et accent si la manière par défaut ne convient pas

    style fixe une manière comme whisper ou newscaster ; accent limite une lecture en anglais à l'une de huit variantes. Omettez l'un ou l'autre pour garder la manière propre à la voix.

  4. Diriger le reste dans instructions

    Une ou deux phrases sur le rythme, l'humeur ou la distance au micro, jusqu'à 1 000 caractères. Cela façonne la lecture et n'est jamais prononcé.

  5. Récupérer le WAV une fois la tâche réglée

    Le fichier est en 24 kHz, 16 bits, mono, conservé sur le stockage SpicyAPI pendant 14 jours. La facturation se règle sur les secondes réellement mesurées.

Exemples concrets avec Gemini 2.5 Pro TTS

  • Un message vocal chuchoté tard le soir

    style réglé sur whisper et une courte note instructions sur la proximité du micro transforment une réplique simple en quelque chose qui semble chuchoté, tout près, à un seul auditeur.

    {"text": "Hey... I know it's late, but I couldn't stop thinking about you. [sighs] Call me back when you get this.", "voice_id": "Enceladus", "style": "whisper", "instructions": "Close to the microphone, quiet, a little breathless, as if speaking only to the person listening."}

  • L'ouverture d'un chapitre de livre audio romantique

    Une voix de narrateur stable, constante sur tout le livre, n'a besoin que de voice_id et d'une courte note instructions sur le rythme pour porter d'un chapitre à l'autre.

    {"text": "The rain hadn't stopped since morning, and neither had the letter sitting unopened on her desk. She knew, the moment she saw the handwriting, exactly who it was from.", "voice_id": "Charon", "instructions": "Warm, unhurried narration, like reading aloud to someone curled up nearby."}

  • Une réplique de jeu suggestive avec un accent précis

    accent limite la lecture à une variante de l'anglais, utile pour des voix de personnage destinées à un marché précis, tandis que style ajoute à la réplique une chaleur complice.

    {"text": "You actually came back for me? [whispering] I was hoping you would.", "voice_id": "Aoede", "accent": "british_rp", "style": "vocal_smile"}

Questions sur l'API Gemini 2.5 Pro TTS

Traitez style, accent et instructions comme trois leviers distincts plutôt que comme un seul panneau de réglages : choisissez style pour la manière générale, réservez accent aux scripts en anglais où une variante précise compte, et gardez instructions pour ce que les deux autres ne couvrent pas — proximité du micro, qui écoute, à quel point la voix doit sembler fatiguée ou amusée. Gardez la note brève ; une ou deux phrases dirigent une lecture plus sûrement qu'une longue liste d'adjectifs. Si une scène a besoin d'un temps fort — un souffle, une pause, un rire — écrivez-le directement dans le script comme une indication entre crochets plutôt que de le décrire dans instructions, car les indications sont jouées exactement là où elles apparaissent.

Tous les modèles Gemini8

Modèles audio3

Modèles de texte5