Tworzysz audiobook, głos wirtualnego towarzysza lub kwestie do gry dla dorosłych? Ta strona pokazuje, które z dziewięciu modeli syntezy mowy bez cenzury na SpicyAPI czytają skrypt bez zmian, wykonują oddechy i jęki oraz ile kosztuje minuta gotowego nagrania, na podstawie naszych testów z września 2026.
Krótka odpowiedź: wszystkie dziewięć przeczytało dosadne skrypty testowe w całości, bez odmów, uciętych nagrań ani złagodzonych słów. Wybór zależy więc od obsługi wskazówek wykonawczych, głosów, wsparcia dwóch mówców i klonowania oraz jednostki rozliczeniowej. Zacznij od Gemini 3.8 Flash TTS, jeśli chcesz wykonania wskazówek w nawiasach kwadratowych, od Gemini 3.8 Flash-Lite TTS lub Grok TTS, jeśli zależy Ci na najniższej cenie minuty gotowego nagrania, około 0,013 $ i 0,015 $, a od Chatterbox tylko do naśladowania głosu, do którego używania masz uprawnienia.
Porównanie
| Model | Głosy | Języki | Jak nim kierować | Wskazówki w tekście | Dwa głosy | Wzorzec głosu | Maksymalny tekst | Rozliczenie i cena |
|---|---|---|---|---|---|---|---|---|
| Gemini 2.5 Pro TTS | 30 | Wykrywane automatycznie | style, accent, pace, scene, instructions | Nawiasy jak [sighs], wykonywane | Tak | Nie | 5 000 | Za sekundę, 0,00045 $ |
| Gemini 3.8 Flash TTS | 30 | 130+, automatycznie | Te same pięć pól | Nawiasy, zwykle wykonywane | Tak | Nie | 5 000 | Za sekundę, 0,00032 $ |
| Gemini 3.8 Flash-Lite TTS | 30 | 100+, automatycznie | Te same pięć pól | Nawiasy czasem czytane; zapisuj dźwięki słowami | Tak | Nie | 5 000 | Za sekundę, 0,00021 $ |
| Grok TTS | 71 | Automatycznie lub 20 kodów | speed 0,7–1,5, znaczniki | [laugh], [pause], znaczniki oddechu i otaczające, np. <whisper> | Nie | Nie | 15 000 | Za 1 000 znaków, 0,018 $ |
| MiniMax Speech 2.8 Turbo | 472 | 40 i automatyczne wykrywanie | 7 wartości emotion, speed, pitch, volume | Nawiasy okrągłe (sighs), (breath) | Nie | Nie | 5 000 | Za 1 000 znaków, 0,072 $ |
| MiniMax Speech 2.8 HD | 472 | 40 i automatyczne wykrywanie | Jak Turbo | Jak Turbo | Nie | Nie | 5 000 | Za 1 000 znaków, 0,12 $ |
| Seed Speech 2.0 | 41 | 10, w tym chiński | Notatka w instructions, speed, pitch, volume | Bez znaczników; opisz wykonanie w instructions | Nie | Nie | 5 000 | Za 1 000 znaków, 0,072 $ |
| Qwen3 TTS | 9, w tym głosy w dialektach pekińskim i syczuańskim | 10, w tym chiński | Notatka w instructions | Bez znaczników; opisz wykonanie w instructions | Nie | Nie | 2 000 | Za 1 000 znaków, 0,068 $, minimum 100 znaków |
| Chatterbox | 1 wbudowany | Tylko angielski | exaggeration, temperature, guidance_scale | Znaczniki czytane; zapisuj dźwięki słowami | Nie | Tak, nagranie MP3 lub WAV | 1 000 | Stała cena za żądanie, 0,036 $ |
Gemini 2.5 Pro TTS kosztuje 10% mniej niż cena katalogowa Google. Google wymienia ponad 130 języków dla Flash i ponad 100 dla Flash-Lite w dokumentacji generowania mowy. Gemini i Chatterbox zwracają WAV mono 24 kHz, pozostałe domyślnie MP3. SpicyAPI nie dodaje własnego filtra treści, a nieudane żądanie nie jest płatne.
Jak uzyskać jęki, oddechy i szepty z każdego modelu
Przy skrypcie bogatym we wskazówki Gemini 2.5 Pro, Gemini 3.8 Flash, Grok i MiniMax wykonują znaczniki bez ich wypowiadania w większości ujęć. Gemini 3.8 Flash-Lite czasem odczytuje słowa znaczników, a Chatterbox zawsze, więc tam zapisuj dźwięki słowami.
Sposób zapisania dźwięku zależy od modelu:
- Gemini 2.5 Pro i 3.8 Flash: wstaw
[whispering],[sighs]lub[laughing]bezpośrednio przed słowami, na które mają wpływać. Tempo, akcent i nastrój umieść w osobnych polach, które nie są odczytywane. - Gemini 3.8 Flash-Lite: nie używaj nawiasów w skrypcie. Zapisz dźwięk jako słowo ("Mmm…", "ahh…", "ha…"), a nastrój w
instructions. Jeśli wykonanie wskazówek jest ważne, użyj Flash. - Grok TTS: używaj znaczników w tekście, takich jak
[pause],[laugh]i znaczniki oddechu, oraz otaczaj całe frazy znacznikami jak<whisper>…</whisper>. Według przewodnika po znacznikach mowy xAI znaczniki połączone z interpunkcją brzmią naturalniej niż nagromadzone znaczniki. - MiniMax Speech 2.8: wstaw
(breath),(pant)lub(gasps)w nawiasach tam, gdzie powinien zabrzmieć dźwięk. Wybierz jedną wartośćemotionna żądanie i podziel scenę, gdy zmienia się nastrój. - Chatterbox: odczytuje znaczniki. Zapisz dźwięk słowami i zwiększ
exaggerationdla dramatycznych kwestii; zmniejszguidance_scale, jeśli czytanie jest zbyt pośpieszne. - Seed Speech 2.0 i Qwen3 TTS: bez znaczników. Opisz sposób wykonania w
instructions("breathless, close to the microphone") i zapisuj dźwięki słowami.
Który model do którego zadania
Wykonanie wskazówek i precyzyjna reżyseria. Gemini 3.8 Flash TTS i Gemini 2.5 Pro TTS mają te same pola i wykonują wskazówki w nawiasach kwadratowych. Flash kosztuje mniej za sekundę i dokumentuje 130+ języków. Wybierz inny model, gdy potrzebujesz wzorca głosu lub długiego pojedynczego żądania. Ustawienia: proces narracji, test 2.5 Pro.
Zwykła narracja w najniższej cenie. Gemini 3.8 Flash-Lite TTS i Grok TTS. Lite rozlicza zwrócone audio, więc wolniejsze czytanie kosztuje więcej. Grok rozlicza znaki skryptu i przyjmuje cały rozdział w jednym żądaniu. Grok ma jednego mówcę; używaj Lite do zwykłej narracji dwóch mówców przez pola dialogue i speakers.
Wiele głosów i kontrola emocji. MiniMax Speech 2.8. Turbo kosztuje 40% mniej niż HD, więc zacznij od niego; zobacz HD kontra Turbo. Jeśli potrzebujesz wzorca głosu, wybierz coś innego: żaden z nich go nie przyjmuje.
Postacie wielojęzyczne lub mówiące po chińsku. Seed Speech 2.0 przyjmuje instructions w zwykłym języku (proces dialogu). Qwen3 TTS dodaje głosy w dialektach pekińskim i syczuańskim, ale ogranicza tekst do 2 000 znaków (przewodnik po mówcach).
Głos dostarczony przez Ciebie. Chatterbox przyjmuje opcjonalne nagranie referencyjne MP3 lub WAV, a odczyt przejmuje jego barwę; najlepiej sprawdza się kilka sekund jednego czystego głosu. Używaj tylko głosów, do których masz prawo. Zobacz przewodnik po wzorcach głosu. Obsługuje tylko angielski, więc do innych języków wybierz inny model. API Google wymienia replikację głosu dla Gemini 3.8, ale zadania SpicyAPI nie udostępniają pola referencyjnego.
Ile to kosztuje
Jednostki rozliczeniowe są różne, więc porównujemy akapit o ~270 znakach i rozdział trwający około dziesięciu minut.
| Model | Typowa długość nagrania | Koszt jednego akapitu | Przybliżony koszt 10 minut audio |
|---|---|---|---|
| Gemini 2.5 Pro TTS | 23–29 s | 0,010–0,013 $ | około 0,27 $ |
| Gemini 3.8 Flash TTS | 20–24 s | 0,006–0,008 $ | około 0,19 $ |
| Gemini 3.8 Flash-Lite TTS | 22–26 s | około 0,005 $ | około 0,13 $ |
| Grok TTS | około 19 s | 0,005 $ | około 0,15 $ |
| MiniMax Speech 2.8 Turbo | 20–22 s | 0,019 $ | około 0,56 $ |
| MiniMax Speech 2.8 HD | 20–22 s | 0,032 $ | około 0,93 $ |
| Seed Speech 2.0 | około 25 s | 0,019 $ | około 0,47 $ |
| Qwen3 TTS | około 24 s | 0,018 $ | około 0,46 $, w czterech żądaniach |
| Chatterbox | około 15 s | 0,036 $ ryczałtem | około 0,40 $ w jedenastu żądaniach po 1 000 znaków, około 0,79 $ przy podziale co 500 znaków |
Kwoty dla dziesięciu minut uwzględniają tempo mówienia każdego modelu. Wolniejszy odczyt kosztuje więc więcej w modelach Gemini rozliczanych za sekundę. Seed, Qwen3, Grok i MiniMax naliczają opłatę od wysłanego skryptu, razem ze znacznikami, więc wycena przed wykonaniem jest ostateczną ceną. Chatterbox kosztuje 0,036 $ niezależnie od długości nagrania poniżej 1 000 znaków.
Ograniczenia wspólne dla wszystkich dziewięciu
Wszystkie są asynchroniczne (wysłanie, odpytywanie, pobranie), więc nadają się do audiobooków, kwestii w grach i wiadomości głosowych, a nie rozmów na żywo. Jedno żądanie zwraca jeden plik bez czasów poszczególnych słów, przechowywany przez 14 dni. Dwa głosy w jednym żądaniu (do 20 wierszy po 250 znaków) działają tylko w Gemini; gdzie indziej generuj każdego mówcę osobno i łącz pliki. Ograniczaj skrypty do fikcyjnych dorosłych postaci; obowiązki prawne dotyczące publikacji pozostają po Twojej stronie.
Trzy sposoby rozliczania działają inaczej. Gemini nalicza opłatę za sekundę zwróconego audio, więc podczas zadania blokuje kwotę przewidzianą na długie nagranie (około 0,21 $ w Flash, 0,30 $ w 2.5 Pro), a po zmierzeniu audio zmniejsza blokadę do rzeczywistej kwoty. Grok, MiniMax, Seed i Qwen3 rozliczają znaki skryptu, więc wycena przed wykonaniem jest ostateczna. Chatterbox stosuje ryczałt za żądanie.
Najpierw wypróbuj w Playground
- Otwórz stronę Gemini 3.8 Flash TTS i pozostań w zakładce Playground, w widoku Form. Aby uruchomić model, zaloguj się na konto z saldem.
- Wklej skrypt do Text lub naciśnij Sample script. Umieść wskazówki w nawiasach kwadratowych, np.
[whispers]lub[sighs], bezpośrednio przed słowami, na które wpływają. - Wybierz Voice (domyślnie Kore) i opcjonalnie Style, Pace lub Accent. Delivery instructions i Scene kształtują odczyt, ale nigdy nie są wypowiadane.
- Uruchom model, odtwórz Preview i naciśnij Download, aby zachować plik.
W Grok TTS kroki są takie same, ale z Voice, Language i Speed, a znaczniki jak <whisper>…</whisper> wpisuje się w Text. Zmieniaj jedno pole na ponowną próbę.
Następnie uruchom z kodu
Zainstaluj Python SDK (pip install spicyapi), ustaw SPICY_API_KEY w środowisku i uruchom:
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 nowAby użyć Grok TTS, zmień model na xai/grok-tts/text-to-speech, a wejście na {"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"}. Tworzenie, oczekiwanie, pobieranie i ponowne próby opisują przewodnik po zadaniach i dokumentacja Python SDK.
Lub zleć wykonanie Agentowi
Gdy asystent ma zamienić skrypty w mowę, wszystkie trzy oficjalne narzędzia pokazują cenę i pytają przed płatnym wywołaniem.
- CLI. Umieść obiekt
inputwinput.json, a następnie:
``bash spicyapi tasks create --model google/gemini-3.8-flash-tts/text-to-speech --input-file input.json --wait ``
Zobacz dokumentację CLI; npx @spicyapi/cli działa bez instalacji.
- Serwer MCP. Dodaj serwer MCP do asystenta i poproś: "Read this script with Gemini 3.8 Flash TTS in the Kore voice." Wywoła
spicyapi_task_create, zatrzyma się na potwierdzenie ceny, a potem wywołaspicyapi_task_wait. - Skill.
npx skills add spicyapi-ai/spicy-skillinstaluje Agent Skill, dzięki któremu asystent programistyczny czyta aktualny schemat modelu zamiast zgadywać pola.
Najczęstsze pytania
Czy któryś model odmawia czytania dosadnych skryptów lub je łagodzi?
Nie. Wszystkie dziewięć przeczytało dosadne skrypty testowe w całości.
Czy działa ze skryptami innymi niż angielskie?
Tak, poza Chatterbox, który obsługuje tylko angielski. Gemini Flash i Flash-Lite wykrywają 130+ i 100+ języków; MiniMax wymienia 40, Grok 20, Seed Speech i Qwen3 po 10.
Który model najpewniej wykonuje wskazówki jak [moaning]?
Gemini 2.5 Pro TTS, Gemini 3.8 Flash TTS, Grok TTS i MiniMax Speech 2.8 wykonują znaczniki jako dźwięki w większości ujęć. Gemini 3.8 Flash-Lite TTS czasem czyta słowo znacznika, a Chatterbox zawsze, więc z tymi dwoma zapisuj dźwięki słowami.
Który jest najtańszy?
Za minutę gotowego nagrania najtańsze są Gemini 3.8 Flash-Lite TTS (około 0,013 $) i Grok TTS (około 0,015 $). Jednostki rozliczenia różnią się, więc porównuj tabelę kosztów powyżej, a nie samą stawkę wyjściową.
Czy mogę klonować głos lub używać dwóch głosów w nagraniu?
Klonowanie: tylko Chatterbox, z krótkiego wzorca, do którego masz prawa. Dwa głosy w jednym żądaniu: tylko trzy modele Gemini. W pozostałych generuj każdego mówcę osobno i łącz pliki.
Czy Chatterbox ma sens z jednym wbudowanym głosem i tylko angielskim?
Tak, jeśli chcesz naśladować głos, który masz prawo wykorzystać, albo uzyskać jeden ekspresyjny angielski głos w stałej cenie 0,036 $ za żądanie, niezależnie od długości nagrania.
Krótko: Flash do wykonywania wskazówek, Flash-Lite lub Grok dla ceny, MiniMax dla wyboru głosów, Chatterbox dla dostarczonego głosu.
Chcesz, aby twarz wypowiadała wynik? Zobacz proces synchronizacji ust. Użytkownicy Grok: zobacz proces głosowy Grok.
