Famille Gemini TTS

Les modèles de synthèse vocale Gemini de Google s’appellent via l’endpoint compatible OpenAI POST /v1/audio/speech ; le ton et le style se décrivent en langage naturel.

Tous les modèles TTS figurent sur la page des modèles . Les paramètres communs de l’endpoint sont décrits dans Audio Speech API.

Exemples d’appel

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="La réunion est déplacée à 15 heures, merci à tous de venir à temps.",
    instructions="Lis sur un ton posé et clair, comme un présentateur de journal.",
    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": "La réunion est déplacée à 15 heures, merci à tous de venir à temps.",
    "instructions": "Lis sur un ton posé et clair, comme un présentateur de journal.",
    "response_format": "wav"
  }' \
  --output speech.wav

Valeurs des paramètres

Pour obtenir du mp3, récupérez d’abord le wav puis convertissez-le avec un outil comme ffmpeg : ffmpeg -i speech.wav speech.mp3.

Latence et textes longs

Lors de nos tests, une phrase d’environ 20 caractères chinois est renvoyée en 3 secondes environ. Un texte anglais d’environ 6 000 caractères a produit environ 9 minutes d’audio en 105 secondes environ, pour un fichier wav d’environ 26 Mo ; pour les textes longs, réglez le délai d’attente du client sur 300 secondes ou plus, ou récupérez l’audio en streaming avec stream_format: "sse".

Erreurs courantes

D’autres erreurs sont décrites dans Audio Speech API.

Documentation officielle

• Gemini API · Génération vocale 

FAQ