API di sintesi vocale senza censura con script NSFW: quale scegliere

Stai creando un audiolibro, una voce di compagnia o battute di gioco per adulti? Questa pagina mostra quali dei nove modelli di sintesi vocale senza censura su SpicyAPI leggono il tuo script così com'è, interpretano respiri e gemiti e quanto costa un minuto finito, in base ai nostri test di settembre 2026.

In breve: tutti e nove hanno letto per intero gli script espliciti di prova, senza rifiuti, clip interrotti o parole attenuate. La scelta dipende quindi dalle indicazioni di recitazione, dalle voci, dal supporto per due parlanti e per la clonazione, e dall'unità di fatturazione. Parti da Gemini 3.8 Flash TTS per interpretare indicazioni tra parentesi quadre, da Gemini 3.8 Flash-Lite TTS o Grok TTS per il prezzo più basso al minuto finito, circa $0.013 e $0.015, e da Chatterbox solo per imitare una voce che sei autorizzato a usare.

Il confronto

Gemini 2.5 Pro TTS costa il 10% in meno rispetto al listino Google. Google elenca oltre 130 lingue per Flash e oltre 100 per Flash-Lite nella documentazione sulla generazione vocale. Gemini e Chatterbox producono WAV mono a 24 kHz; gli altri, MP3 per impostazione predefinita. SpicyAPI non aggiunge un proprio filtro dei contenuti e una richiesta fallita non viene addebitata.

Ottenere gemiti, respiri e sussurri con ogni modello

Su uno script ricco di indicazioni, Gemini 2.5 Pro, Gemini 3.8 Flash, Grok e MiniMax interpretano i tag senza pronunciarli nella maggior parte delle registrazioni. Gemini 3.8 Flash-Lite a volte legge le parole dei tag e Chatterbox lo fa sempre: con questi scrivi i suoni come parole.

Il modo di scrivere il suono dipende dal modello:

• Gemini 2.5 Pro e 3.8 Flash: inserisci [whispering], [sighs] o [laughing] subito prima delle parole a cui si riferiscono. Ritmo, accento e stato d'animo vanno nei campi separati, che non vengono pronunciati.
• Gemini 3.8 Flash-Lite: evita le parentesi nel copione. Scrivi il suono come parola ("Mmm…", "ahh…", "ha…") e lo stato d'animo in instructions. Se conta l'interpretazione delle indicazioni, usa Flash.
• Grok TTS: usa tag nel testo come [pause], [laugh] e quelli del respiro, e tag come <whisper>…</whisper> attorno a intere frasi. La guida ai tag vocali di xAI spiega che i tag combinati con la punteggiatura suonano più naturali di tag in sequenza.
• MiniMax Speech 2.8: inserisci tag tra parentesi tonde come (breath), (pant) o (gasps) dove deve comparire il suono. Scegli un valore di emotion per richiesta e dividi una scena se cambia lo stato d'animo.
• Chatterbox: i tag vengono letti. Scrivi il suono come parola e aumenta exaggeration per battute drammatiche; riduci guidance_scale se la lettura è affrettata.
• Seed Speech 2.0 e Qwen3 TTS: niente tag. Descrivi la recitazione in instructions ("breathless, close to the microphone") e scrivi i suoni come parole.

Quale scegliere per ogni lavoro

Indicazioni interpretate e regia precisa. Gemini 3.8 Flash TTS e Gemini 2.5 Pro TTS condividono gli stessi campi e interpretano le indicazioni tra parentesi quadre. Flash costa meno al secondo e documenta 130+ lingue. Scegli altro per un riferimento vocale o una singola richiesta lunga. Impostazioni: flusso di narrazione, test di 2.5 Pro.

Narrazione semplice al prezzo più basso. Gemini 3.8 Flash-Lite TTS e Grok TTS. Lite fattura l'audio restituito, quindi una lettura lenta costa di più. Grok fattura i caratteri del copione e accetta un intero capitolo in una richiesta. Grok ha un solo parlante; usa Lite per narrazioni semplici a due voci tramite i campi dialogue e speakers.

Molte voci e controllo delle emozioni. MiniMax Speech 2.8. Turbo costa il 40% in meno di HD: provalo prima; vedi HD contro Turbo. Se serve un riferimento vocale, scegli altro: nessuno dei due lo accetta.

Personaggi multilingue o di lingua cinese. Seed Speech 2.0 accetta instructions in linguaggio naturale (flusso di dialogo). Qwen3 TTS aggiunge voci nei dialetti di Pechino e del Sichuan, ma limita il testo a 2.000 caratteri (guida alle voci).

Una voce fornita da te. Chatterbox accetta un riferimento facoltativo MP3 o WAV e la lettura ne assume il timbro; funzionano meglio pochi secondi di una sola voce pulita. Usa solo voci che hai diritto di utilizzare. Vedi la guida ai riferimenti vocali. Supporta solo l'inglese, quindi scegli altro per altre lingue. L'API di Google elenca la replica vocale per Gemini 3.8, ma le attività SpicyAPI non espongono un campo di riferimento.

Quanto costa

Le unità di fatturazione differiscono: ecco un paragrafo di ~270 caratteri e un capitolo di circa dieci minuti.

Le cifre di dieci minuti seguono la velocità di ogni modello: una lettura più lenta costa di più con i Gemini fatturati al secondo. Seed, Qwen3, Grok e MiniMax addebitano il copione inviato, tag compresi, quindi il prezzo prima dell'esecuzione è definitivo. Chatterbox costa $0.036 qualunque sia la durata del clip sotto 1.000 caratteri.

Limiti comuni a tutti e nove

Tutti e nove sono asincroni (invio, polling, download): adatti ad audiolibri, battute di gioco e messaggi vocali più che a chiamate dal vivo. Una richiesta restituisce un file senza tempi per parola, conservato per 14 giorni. Due voci in una richiesta (fino a 20 righe di 250 caratteri) funzionano solo sui Gemini; con gli altri genera ogni parlante separatamente e unisci i file. Limita i copioni a personaggi adulti fittizi; gli obblighi legali di ciò che pubblichi restano tuoi.

I tre sistemi di fatturazione si comportano diversamente. Gemini fattura al secondo di audio restituito, quindi durante l'attività viene riservato un importo per un clip lungo (circa $0.21 su Flash, $0.30 su 2.5 Pro), poi la riserva viene ridotta all'importo reale dopo aver misurato l'audio. Grok, MiniMax, Seed e Qwen3 fatturano i caratteri del copione: il prezzo mostrato prima dell'esecuzione è definitivo. Chatterbox ha una tariffa fissa per richiesta.

Provalo prima nel Playground

1. Apri la pagina di Gemini 3.8 Flash TTS e resta sulla scheda Playground, vista Form. Accedi con un account con saldo per eseguire.
2. Incolla il copione in Text o premi Sample script. Metti indicazioni tra parentesi quadre come [whispers] o [sighs] subito prima delle parole a cui si riferiscono.
3. Scegli una Voice (Kore predefinita) e, se vuoi, Style, Pace o Accent. Delivery instructions e Scene modellano la lettura e non vengono mai pronunciate.
4. Esegui il modello, ascolta Preview e premi Download per conservare il file.

Su Grok TTS i passaggi sono uguali, con Voice, Language e Speed, e tag come <whisper>…</whisper> in Text. Cambia un campo per tentativo.

Poi eseguilo dal codice

Installa il Python SDK (pip install spicyapi), imposta SPICY_API_KEY nell'ambiente ed esegui:

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 now

Per usare Grok TTS, cambia model in xai/grok-tts/text-to-speech e l'input in {"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"}. Creazione, attesa, download e nuovi tentativi sono spiegati nella guida alle attività e nel riferimento del Python SDK.

Oppure lascia l'esecuzione a un Agent

Quando un assistente deve dare voce ai tuoi script, tutti e tre gli strumenti ufficiali mostrano il prezzo e chiedono conferma prima di una chiamata a pagamento.

• CLI. Metti l'oggetto input in input.json, poi:

``bash spicyapi tasks create --model google/gemini-3.8-flash-tts/text-to-speech --input-file input.json --wait ``

Vedi la documentazione CLI; npx @spicyapi/cli funziona senza installazione.

• Server MCP. Aggiungi il server MCP all'assistente e chiedi: "Read this script with Gemini 3.8 Flash TTS in the Kore voice." Chiama spicyapi_task_create, che si ferma per la conferma del prezzo, poi spicyapi_task_wait.
• Skill. npx skills add spicyapi-ai/spicy-skill installa l'Agent Skill, che fa leggere lo schema attuale del modello all'assistente di programmazione invece di fargli indovinare i campi.

Domande frequenti

Qualcuno di questi modelli rifiuta o attenua gli script espliciti?

No. Tutti e nove hanno letto per intero gli script espliciti di prova.

Funziona per copioni non in inglese?

Sì, tranne Chatterbox, solo in inglese. Gemini Flash e Flash-Lite rilevano 130+ e 100+ lingue; MiniMax ne elenca 40, Grok 20, Seed Speech e Qwen3 10 ciascuno.

Quale modello interpreta più fedelmente indicazioni come [moaning]?

Gemini 2.5 Pro TTS, Gemini 3.8 Flash TTS, Grok TTS e MiniMax Speech 2.8 interpretano i tag come suoni nella maggior parte delle registrazioni. Gemini 3.8 Flash-Lite TTS a volte legge la parola del tag e Chatterbox sempre: con questi due scrivi i suoni come parole.

Qual è il più economico?

Al minuto finito, Gemini 3.8 Flash-Lite TTS (circa $0.013) e Grok TTS (circa $0.015) sono i più economici. Le unità differiscono: confronta la tabella dei costi sopra anziché le sole tariffe pubblicizzate.

Posso clonare una voce o usare due voci in un clip?

Clonazione: solo Chatterbox, da un breve riferimento che hai diritto di usare. Due voci in una richiesta: solo i tre Gemini. Sugli altri genera ogni parlante separatamente e unisci i file.

Chatterbox conviene con una voce integrata e solo l'inglese?

Sì, se vuoi imitare una voce autorizzata o avere una voce inglese espressiva alla tariffa fissa di $0.036 per richiesta, qualunque sia la durata del clip.

In breve: Flash per interpretare indicazioni, Flash-Lite o Grok per il prezzo, MiniMax per la scelta di voci, Chatterbox per una voce fornita da te.

Vuoi che un volto pronunci il risultato? Vedi il flusso di sincronizzazione labiale. Se usi Grok, vedi il flusso vocale di Grok.