Gemini TTS 系列

Google 的 Gemini 语音合成模型，通过 OpenAI 兼容的 POST /v1/audio/speech 调用，可用自然语言描述语气与风格。

常用模型 ID（调用时原样复制）

Gemini 3.8 Flash TTSgoogle/gemini-3.8-flash-tts

Gemini 3.8 Flash-Lite TTSgoogle/gemini-3.8-flash-lite-tts更低单价

全部 TTS 模型见模型页。接口的通用参数见 Audio Speech API。

调用示例

Python

gemini_tts.py


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="今天的会议改到下午三点，请大家准时参加。",
    instructions="用沉稳、清晰的语气朗读，像新闻播报。",
    response_format="wav",
) as resp:
    resp.stream_to_file("speech.wav")

参数取值

要点voice 必填，取值为 Google 的音色名；输出格式仅支持 wav 与 pcm。

参数	说明
`voice`	必填，Google 的音色名，如 `Kore`、`Puck`、`Zephyr`。完整列表见 Gemini 官方文档 · 音色。OpenAI 的音色名（如 `alloy`）不可用
`response_format`	`wav`（默认）或 `pcm`，均为 24 kHz、16 位、单声道。`mp3`、`opus`、`aac`、`flac` 不支持
`instructions`	用自然语言描述语气、语速与风格，如「用欢快的语气」「放慢语速」
`language_code`	语言代码，如 `cmn-CN`、`en-US`，不传时根据文字自动判断
`stream_format`	传 `sse` 时以流式返回音频分片，适合边生成边播放

需要 mp3 时，可先获取 wav，再用 ffmpeg 等工具转换：ffmpeg -i speech.wav speech.mp3。

耗时与长文本

实测一句约 20 字的中文约 3 秒返回。约 6000 个字符的英文生成了约 9 分钟的音频，耗时约 105 秒，wav 文件约 26 MB；长文本请将客户端超时设置为 300 秒以上，或使用 stream_format: "sse" 流式获取。

常见报错

HTTP	报错原文	原因	处理方法
400	`voice is required for speech completion`	未传 `voice`	传入音色名，如 `Kore`
400	`Request contains an invalid argument.`	音色名不存在，例如传入了 `alloy`	改用 Google 的音色名
400	`unsupported Gemini response_format: mp3`	格式不受支持	改用 `wav` 或 `pcm`

更多报错见 Audio Speech API。

官方文档

Gemini API · 语音生成

常见问题

Gemini TTS 的 voice 填什么？

填 Google 的音色名，如 Kore、Puck、Zephyr，完整列表见 Gemini 官方文档。voice 为必填，OpenAI 的 alloy 等音色不可用。

Gemini TTS 能输出 mp3 吗？

不能，仅支持 wav 与 pcm（24 kHz、16 位、单声道）。需要 mp3 时请自行转换，如 ffmpeg -i speech.wav speech.mp3。

Gemini TTS 怎么控制语气？

通过 instructions 参数用自然语言描述，例如「用欢快的语气朗读」「像新闻播报一样沉稳」。

Gemini TTS 报错 voice is required？

Gemini TTS 必须传入 voice，例如 "voice": "Kore"。