Gemini-TTS-Reihe

Die Sprachsynthesemodelle Gemini von Google, aufgerufen über den OpenAI-kompatiblen Endpunkt POST /v1/audio/speech. Tonfall und Stil lassen sich in natürlicher Sprache beschreiben.

Alle TTS-Modelle finden Sie auf der Modellseite . Die allgemeinen Parameter des Endpunkts finden Sie unter Audio Speech API.

Aufrufbeispiele

import os
from openai import OpenAI
 
client = OpenAI(base_url="https://api.ofox.io/v1", api_key=os.environ["OFOX_API_KEY"])
 
with client.audio.speech.with_streaming_response.create(
    model="google/gemini-3.8-flash-tts",
    voice="Kore",
    input="Die heutige Besprechung wird auf 15 Uhr verschoben. Bitte seien Sie pünktlich.",
    instructions="Ruhig und deutlich vorlesen, wie eine Nachrichtensprecherin.",
    response_format="wav",
) as resp:
    resp.stream_to_file("speech.wav")

curl https://api.ofox.io/v1/audio/speech \
  -H "Authorization: Bearer $OFOX_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "google/gemini-3.8-flash-tts",
    "voice": "Kore",
    "input": "Die heutige Besprechung wird auf 15 Uhr verschoben. Bitte seien Sie pünktlich.",
    "instructions": "Ruhig und deutlich vorlesen, wie eine Nachrichtensprecherin.",
    "response_format": "wav"
  }' \
  --output speech.wav

Parameterwerte

Wenn Sie mp3 benötigen, rufen Sie zunächst wav ab und konvertieren es anschließend mit einem Tool wie ffmpeg: ffmpeg -i speech.wav speech.mp3.

Dauer und lange Texte

In unseren Tests kam ein chinesischer Satz mit etwa 20 Zeichen nach rund 3 Sekunden zurück. Ein englischer Text mit etwa 6000 Zeichen ergab rund 9 Minuten Audio, benötigte etwa 105 Sekunden und erzeugte eine wav-Datei von etwa 26 MB. Setzen Sie bei langen Texten das Client-Timeout auf mindestens 300 Sekunden oder rufen Sie das Audio per Streaming mit stream_format: "sse" ab.

Häufige Fehler

Weitere Fehler finden Sie unter Audio Speech API.

Offizielle Dokumentation

• Gemini API · Sprachgenerierung 

FAQ