Vai al contenuto principale

Senza censura — Questo modello dichiara di non applicare alcun filtro sui contenuti. SpicyAPI inoltra la richiesta senza aggiungere controlli di piattaforma; gli obblighi di legge e la verifica del consenso restano a carico del cliente.Vedi tutti i modelli con questo livello di filtraggio
google/gemini-2.5-pro-tts/text-to-speech

Gemini 2.5 Pro text-to-speech legge un testo con una di 30 voci e restituisce un WAV mono a 24 kHz. Accento, stile e ritmo seguono indicazioni in linguaggio naturale, le note tra parentesi come [sighs] vengono recitate e un dialogo può usare fino a due voci.

Da $0.00045/s10% sotto il prezzo di listino del produttore del modello
Esegui il modello

Playground

Input

Da testo a voce
Indica almeno uno di questiRequisito soddisfatto
127/5000
Le parole da pronunciare, esattamente come sono scritte. Le annotazioni tra parentesi quadre come [sighs] vengono recitate, non lette. Fino a 5.000 caratteri. Per una conversazione tra due voci, usa invece dialogue. almeno 1 caratteri · al massimo 5000 caratteri

Circa 11 s di audio (stima approssimativa)

Dialogo0/20
Un dialogo con copione per un massimo di due voci, al posto di text: fino a 20 battute, ognuna con speaker (un nome preso da speakers) e un text di massimo 250 caratteri. Le battute vengono recitate in ordine. Si paga per secondo di audio restituito, come per text. almeno 1 elementi · al massimo 20 elementi
Interlocutori0/2
Il cast di dialogue: una o due voci, ognuna con un name a cui fanno riferimento le battute, un voice_id e, facoltativi, accent, style, pace e profile (una breve descrizione di chi parla, che non viene letta). Ciò che una voce non imposta viene preso da accent, style e pace di primo livello. Non cambia il prezzo al secondo. almeno 1 elementi · al massimo 2 elementi
Una delle 30 voci predefinite, ciascuna con un carattere fisso. Predefinita: Kore. È la voce di text; in dialogue ogni voce imposta il proprio voice_id.
Stile
SussurratoEmpaticoCol sorrisoConduttore di tgPromo energicaImpassibile
Modo generale della lettura. Lascialo vuoto per usare il modo predefinito della voce. In dialogue vale per le voci che non ne impostano uno.
Ritmo
NaturaleSerratoDistesoStaccato
Ritmo della lettura: natural, rapid_fire (veloce e secco), the_drift (lento e disteso) o staccato (frasi brevi e staccate). Se non lo imposti, la voce mantiene il suo ritmo; in dialogue vale per le voci che non ne impostano uno. Un ritmo più lento produce più secondi di audio, ed è quello che paghi.
Accento inglese usato per la lettura. Predefinito: neutral. In dialogue vale per le voci che non ne impostano uno.
0/1000
Indicazione libera su come leggere: ritmo, stato d'animo, distanza dal microfono, ascoltatore. Plasma l'interpretazione e non viene pronunciata. Fino a 1.000 caratteri. al massimo 1000 caratteri

Non viene mai letto ad alta voce. Serve solo a indicare come interpretare il copione.

0/500
Dove e a chi vengono dette le parole, per esempio “una stanza d'albergo silenziosa dopo mezzanotte”. Orienta l'interpretazione e non viene letto. Fino a 500 caratteri. Non cambia il prezzo al secondo. al massimo 500 caratteri
Temperatura
Variazione tra le prove, da 0 a 2: valori più alti rendono l'interpretazione meno prevedibile. Se non lo imposti, si usa il valore predefinito del modello. Non cambia il prezzo al secondo. non meno di 0 · non più di 2
Controllo di sicurezzaDisattivato

SpicyAPI non applica nessun controllo di sicurezza a questo modello. Il tuo prompt e i tuoi media arrivano al modello così come li hai scritti, ed è il modello stesso a decidere che cosa torna indietro.

Controllo del tuo account prima di abilitare invio e prezzi.

Output

Pronto per una nuova esecuzione
Risultato di esempio
0:00 / –:––
Avatar
Da voce a testo
Sincronizzazione labiale

Modelli correlati e attività successive

Manca il modello che ti serve?

Dicci cosa aggiungere e dove lo useresti. Le richieste arrivano a chi decide quali modelli integrare per primi.

Dirigere una lettura come si istruisce un doppiatore

Gemini 2.5 Pro TTS trasforma fino a 5.000 caratteri di copione in un unico file WAV, letto da una delle 30 voci predefinite. Quattro controlli modellano l'interpretazione: voice_id sceglie la voce, style imposta un tono generale come sussurrato o da telegiornale, accent restringe una lettura in inglese a una delle otto varianti e instructions accetta una o due frasi di indicazione in linguaggio semplice. Le indicazioni scritte tra parentesi quadre, come [sighs], vengono recitate invece che lette ad alta voce. SpicyAPI non aggiunge alcun filtro sui contenuti e, nei nostri test, il modello ha letto per intero i nostri copioni di monologo e narrazione più forti. Il costo si calcola al secondo di audio effettivamente restituito.

Apri il playground
Voci
30 predefinite, ciascuna con un carattere fisso
Lunghezza script
Fino a 5.000 caratteri per richiesta
Direzione
voice_id, style, accent (inglese) e instructions
Output
Un file WAV, 24 kHz, 16 bit, mono
Clip più lunga
Circa 655 secondi (16.384 token audio)
Fatturazione
Per secondo, 10% sotto il listino Google
Direzione
Note in linguaggio semplice invece di un pannello di impostazionistyle imposta un tono come whisper o deadpan, accent limita una lettura in inglese a otto varianti, e instructions accetta una o due frasi su ritmo, umore e distanza dal microfono. Nulla di questo viene pronunciato: modella solo come la voce fissa legge lo script.
Interpretazione
Le indicazioni tra parentesi vengono interpretate, non letteScrivi [sighs], [whispering] o [laughing] nello script e il modello interpreta l'indicazione invece di pronunciare quelle parole, così un unico campo di testo porta sia le parole sia parte dell'interpretazione.
Contenuto
Nessun filtro sui contenuti, copioni letti come scrittiSpicyAPI non applica un filtro sui contenuti proprio. Nei nostri test il modello ha letto per intero i nostri tre copioni di prova più forti, un monologo in prima persona, un passaggio in stile audiolibro e una scena sostenuta da indicazioni tra parentesi quadre, senza saltare parole né tagliare la clip.

Cosa fa bene l'API Gemini 2.5 Pro TTS

  • Quattro comandi invece di una sola selezione voce

    voice_id, style, accent e instructions lavorano insieme: scegli una voce, imposta un tono generale, restringi l'accento per uno script in inglese, poi aggiungi una nota breve per ciò che i primi tre non coprono. Cambiare l'umore di una battuta non richiede di cambiare voce.

  • Note di direzione che non vengono mai pronunciate

    instructions accetta fino a 1.000 caratteri di direzione in linguaggio semplice — ritmo, umore, chi ascolta, distanza dal microfono — e nulla di questo finisce nell'audio. Script e direzione restano nettamente separati.

  • Indicazioni tra parentesi interpretate dentro lo script

    [sighs], [whispering], [laughing] e simili vengono interpretate esattamente nel punto in cui compaiono nel testo invece di essere pronunciate come parole, così i momenti chiave di una scena si possono segnare direttamente nello script.

  • Un file senza perdita, pronto per altri strumenti

    L'output è un unico file WAV a 24 kHz, 16 bit, mono — senza artefatti di compressione da ripulire prima di mixare, montare o passarlo a un altro modello.

  • Fatturato solo per i secondi ricevuti

    Mentre l'attività è in corso viene trattenuto un importo per la clip più lunga possibile; l'addebito si assesta sulla durata reale dell'audio restituito una volta misurato. Una richiesta fallita non viene addebitata.

  • Copioni senza filtri, letti come scritti

    SpicyAPI non aggiunge alcun filtro sui contenuti. Nei nostri test, i nostri copioni di prova più forti, in prima persona e narrati, sono stati letti per intero e le indicazioni tra parentesi quadre come [breathy] sono state eseguite, senza saltare o tagliare nulla.

Per chi è Gemini 2.5 Pro TTS

  • Produttori di audiolibri e narrativa a puntate

    Una voce, coerente capitolo dopo capitolo

    Imposta una voce e una breve nota instructions una sola volta, poi riusale entrambe per tutto il libro. La stessa voce con la stessa direzione legge in modo coerente da un capitolo all'altro.

  • Creatori di app di chat e compagnia

    Una voce di personaggio con un proprio umore

    style e instructions trasformano uno script piatto in qualcosa che suona rivolto a un solo ascoltatore — uno style whisper con una nota sulla vicinanza al microfono suona molto diverso dalla stessa battuta in style newscaster.

  • Editori audio senza filtri

    Copioni senza filtri, letti senza modifiche

    Nei nostri test il modello ha letto per intero i nostri copioni di prova più forti, in prima persona e narrati, eseguendo i suoni e i respiri tra parentesi quadre invece di saltarli. Ciò che pubblichi, e a chi, resta una tua decisione.

  • Pipeline video e animazione

    Una traccia vocale da passare a un modello di lip-sync

    Genera la battuta qui, ottieni un file WAV, poi passalo a un modello di avatar parlante o lip-sync perché un volto la interpreti. La durata dell'audio fissa la durata della clip a valle.

Come chiamare l'API Gemini 2.5 Pro TTS

  1. Scrivi lo script in text

    Fino a 5.000 caratteri, esattamente come deve essere pronunciato, con la punteggiatura per segnare le pause.

  2. Scegli un voice_id

    Una delle 30 voci predefinite. Se omesso, viene usata Kore.

  3. Aggiungi style e accent se il tono predefinito non è quello giusto

    style imposta un tono come whisper o newscaster; accent limita una lettura in inglese a una di otto varianti. Ometti l'uno o l'altro per usare il tono predefinito della voce.

  4. Dirigi il resto in instructions

    Una o due frasi su ritmo, umore o distanza dal microfono, fino a 1.000 caratteri. Modella la lettura e non viene mai pronunciato.

  5. Recupera il WAV a task concluso

    Il file è a 24 kHz, 16 bit, mono, conservato su SpicyAPI per 14 giorni. La fatturazione si assesta sui secondi effettivamente misurati.

Esempi pratici con Gemini 2.5 Pro TTS

  • Un messaggio vocale sussurrato a tarda notte

    style impostato su whisper e una breve nota instructions sulla vicinanza al microfono trasformano una battuta semplice in qualcosa che suona sussurrato, molto vicino, a un solo ascoltatore.

    {"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'apertura di un capitolo di audiolibro romantico

    Una voce narrante stabile, costante per tutto il libro, richiede solo voice_id e una breve nota instructions sul ritmo per reggere da un capitolo all'altro.

    {"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."}

  • Una battuta di gioco allusiva con un accento preciso

    accent limita la lettura a una variante dell'inglese, utile per voci di personaggio pensate per un mercato specifico, mentre style aggiunge alla battuta un calore complice.

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

Domande sull'API Gemini 2.5 Pro TTS

Tratta style, accent e instructions come tre leve distinte invece che come un unico pannello di impostazioni: usa style per il tono generale, ricorri ad accent solo quando lo script è in inglese e una variante specifica conta, e riserva instructions a ciò che gli altri due non coprono — vicinanza al microfono, chi ascolta, quanto stanca o divertita deve suonare la voce. Tieni la nota breve; una o due frasi guidano una lettura più affidabilmente di un lungo elenco di aggettivi. Se una scena ha bisogno di un momento preciso — un respiro, una pausa, una risata — scrivilo direttamente nello script come indicazione tra parentesi invece di descriverlo in instructions, perché le indicazioni vengono interpretate esattamente dove compaiono.

Tutti i modelli Gemini8

Modelli audio3

Modelli di testo5