API синтеза речи без цензуры на NSFW-сценариях: что выбрать

Создаёте аудиокнигу, голос виртуального компаньона или игровые реплики для взрослых? Эта страница показывает, какие из девяти моделей синтеза речи без цензуры на SpicyAPI читают сценарий без изменений, воспроизводят дыхание и стоны и сколько стоит минута готового аудио, на основе наших тестов за сентябрь 2026 года.

Коротко: все девять прочитали откровенные тестовые сценарии полностью, без отказов, обрезанных записей и смягчения слов. Поэтому выбор зависит от обработки актёрских указаний, голосов, поддержки двух говорящих и клонирования, а также единицы оплаты. Начните с Gemini 3.8 Flash TTS, если нужно исполнение указаний в квадратных скобках, с Gemini 3.8 Flash-Lite TTS или Grok TTS, если нужна самая низкая цена за готовую минуту, около $0.013 и $0.015, и с Chatterbox только для имитации голоса, который вам разрешено использовать.

Сравнение

Gemini 2.5 Pro TTS стоит на 10% меньше прейскурантной цены Google. Google указывает более 130 языков для Flash и более 100 для Flash-Lite в документации генерации речи. Gemini и Chatterbox выдают моно WAV с частотой 24 kHz, остальные по умолчанию — MP3. SpicyAPI не добавляет собственного фильтра контента, а неудачный запрос не оплачивается.

Как получить стоны, дыхание и шёпот от каждой модели

В сценарии с большим числом указаний Gemini 2.5 Pro, Gemini 3.8 Flash, Grok и MiniMax в большинстве дублей исполняют теги, не произнося их. Gemini 3.8 Flash-Lite иногда читает слова тегов, а Chatterbox всегда, поэтому для них записывайте звуки словами.

Способ записи звука зависит от модели:

• Gemini 2.5 Pro и 3.8 Flash: ставьте [whispering], [sighs] или [laughing] прямо перед словами, на которые они влияют. Темп, акцент и настроение указывайте в отдельных полях, содержимое которых не произносится.
• Gemini 3.8 Flash-Lite: не используйте скобки в сценарии. Запишите звук словом ("Mmm…", "ahh…", "ha…"), а настроение — в instructions. Если важно исполнение указаний, используйте Flash.
• Grok TTS: используйте теги в тексте, например [pause], [laugh] и теги дыхания, а целые фразы окружайте тегами вроде <whisper>…</whisper>. В руководстве по речевым тегам xAI говорится, что теги с пунктуацией звучат естественнее, чем цепочки тегов.
• MiniMax Speech 2.8: ставьте теги в круглых скобках, например (breath), (pant) или (gasps), там, где должен возникнуть звук. Выбирайте одно значение emotion на запрос и делите сцену, если настроение меняется.
• Chatterbox: теги читаются вслух. Записывайте звук словом и повышайте exaggeration для драматичных реплик; снижайте guidance_scale, если чтение слишком торопливое.
• Seed Speech 2.0 и Qwen3 TTS: без тегов. Опишите исполнение в instructions ("breathless, close to the microphone") и записывайте звуки словами.

Какую модель выбрать для задачи

Исполнение указаний с точной режиссурой. Gemini 3.8 Flash TTS и Gemini 2.5 Pro TTS имеют одинаковые поля и исполняют указания в квадратных скобках. Flash дешевле за секунду, и для него документировано 130+ языков. Для референса голоса или длинного одиночного запроса выбирайте другое решение. Настройки: процесс озвучивания, тест 2.5 Pro.

Обычное повествование по самой низкой цене. Gemini 3.8 Flash-Lite TTS и Grok TTS. Lite оплачивается по возвращённому аудио, поэтому медленное чтение стоит дороже. Grok оплачивается по символам сценария и принимает целую главу в одном запросе. Grok поддерживает одного говорящего; для обычного повествования с двумя говорящими используйте Lite с полями dialogue и speakers.

Много голосов и управление эмоциями. MiniMax Speech 2.8. Turbo стоит на 40% меньше HD, поэтому попробуйте его первым; см. HD против Turbo. Если нужен референс голоса, выбирайте другое решение: ни один его не принимает.

Многоязычные или китайскоязычные персонажи. Seed Speech 2.0 принимает instructions на обычном языке (процесс диалогов). Qwen3 TTS добавляет голоса пекинского и сычуаньского диалектов, но ограничивает текст 2 000 символами (руководство по говорящим).

Голос, который предоставляете вы. Chatterbox принимает необязательный референс MP3 или WAV, и чтение перенимает его тембр; лучше всего подходят несколько секунд чистой записи одного голоса. Используйте только голоса, на которые у вас есть права. См. руководство по референсам голоса. Поддерживается только английский, поэтому для других языков выберите другую модель. API Google указывает репликацию голоса для Gemini 3.8, но задачи SpicyAPI не предоставляют поле референса.

Сколько это стоит

Единицы оплаты различаются, поэтому сравним абзац из ~270 символов и главу длительностью примерно десять минут.

Расчёты на десять минут учитывают скорость речи каждой модели, поэтому более медленное исполнение дороже у Gemini с посекундной оплатой. Seed, Qwen3, Grok и MiniMax считают отправленный сценарий вместе с тегами, так что цена до запуска является окончательной. Chatterbox стоит $0.036 независимо от длины записи при тексте короче 1 000 символов.

Ограничения всех девяти моделей

Все девять асинхронны (отправка, опрос, скачивание), поэтому подходят для аудиокниг, игровых реплик и голосовых сообщений, а не живых звонков. Один запрос возвращает один файл без времени отдельных слов, хранящийся 14 дней. Два голоса в одном запросе (до 20 строк по 250 символов) работают только в Gemini; в остальных генерируйте каждого говорящего отдельно и объединяйте файлы. Ограничивайте сценарии вымышленными взрослыми персонажами; юридические обязанности по публикуемому контенту остаются за вами.

Три способа оплаты работают по-разному. Gemini считает секунды возвращённого аудио, поэтому на время задачи резервируется сумма для длинной записи (около $0.21 у Flash, $0.30 у 2.5 Pro), а после измерения аудио резерв уменьшается до фактической суммы. Grok, MiniMax, Seed и Qwen3 считают символы сценария, поэтому цена до запуска окончательна. Chatterbox использует фиксированную плату за запрос.

Сначала попробуйте в Playground

1. Откройте страницу Gemini 3.8 Flash TTS и оставайтесь на вкладке Playground, в виде Form. Для запуска войдите в аккаунт с пополненным балансом.
2. Вставьте сценарий в Text или нажмите Sample script. Поместите указания в квадратных скобках, например [whispers] или [sighs], прямо перед словами, на которые они влияют.
3. Выберите Voice (по умолчанию Kore) и при желании Style, Pace или Accent. Delivery instructions и Scene формируют чтение и никогда не произносятся.
4. Запустите модель, прослушайте Preview и нажмите Download, чтобы сохранить файл.

Для Grok TTS шаги те же, но с Voice, Language и Speed, а теги вроде <whisper>…</whisper> пишутся в Text. Меняйте одно поле при каждой повторной попытке.

Затем запустите из кода

Установите Python SDK (pip install spicyapi), задайте SPICY_API_KEY в окружении и выполните:

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

Для Grok TTS замените model на xai/grok-tts/text-to-speech, а ввод — на {"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"}. Создание, ожидание, скачивание и повторные попытки описаны в руководстве по задачам и справочнике Python SDK.

Или поручите запуск Agent

Если озвучивать сценарии должен ассистент, все три официальных инструмента показывают цену и запрашивают подтверждение до платного вызова.

• CLI. Поместите объект input в input.json, затем:

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

См. документацию CLI; npx @spicyapi/cli работает без установки.

• Сервер MCP. Добавьте сервер MCP в настройки ассистента и попросите: "Read this script with Gemini 3.8 Flash TTS in the Kore voice." Он вызывает spicyapi_task_create, останавливается для подтверждения цены, затем вызывает spicyapi_task_wait.
• Skill. npx skills add spicyapi-ai/spicy-skill устанавливает Agent Skill, который заставляет ассистента для программирования читать актуальную схему модели, а не угадывать поля.

Частые вопросы

Отказываются ли эти модели читать откровенные сценарии или смягчают их?

Нет. Все девять прочитали откровенные тестовые сценарии целиком.

Работает ли это со сценариями не на английском?

Да, кроме Chatterbox, который поддерживает только английский. Gemini Flash и Flash-Lite определяют 130+ и 100+ языков; MiniMax указывает 40, Grok 20, Seed Speech и Qwen3 по 10.

Какая модель надёжнее исполняет указания вроде [moaning]?

Gemini 2.5 Pro TTS, Gemini 3.8 Flash TTS, Grok TTS и MiniMax Speech 2.8 в большинстве дублей исполняют теги как звуки. Gemini 3.8 Flash-Lite TTS иногда читает слово тега, а Chatterbox всегда, поэтому в этих двух записывайте звуки словами.

Какая самая дешёвая?

За готовую минуту самые дешёвые — Gemini 3.8 Flash-Lite TTS (около $0.013) и Grok TTS (около $0.015). Единицы оплаты различаются, поэтому сравнивайте таблицу затрат выше, а не только заявленную ставку.

Можно ли клонировать голос или использовать два голоса в записи?

Клонирование: только Chatterbox, из короткого референса, который вы вправе использовать. Два голоса в одном запросе: только три Gemini. В остальных генерируйте каждого говорящего отдельно и соединяйте файлы.

Оправдан ли Chatterbox с одним встроенным голосом и только английским?

Да, если вы хотите имитировать разрешённый к использованию голос или получить выразительный английский голос за фиксированные $0.036 за запрос независимо от длины записи.

Коротко: Flash для исполнения указаний, Flash-Lite или Grok для низкой цены, MiniMax для выбора голосов, Chatterbox для предоставленного голоса.

Хотите, чтобы лицо произносило результат? См. процесс синхронизации губ. Пользователям Grok: процесс работы с голосом Grok.