Gemini 2.5 Flash TTS

Что делает

Gemini 2.5 Flash TTS — модель синтеза речи от провайдера Gemini. Вы даёте текст, она возвращает озвученное аудио. В Pipe2 она работает внутри конвейера Генератор аудио, где вы выбираете из десятков голосов на более чем 70 языках и можете добавить указания по стилю, задающие тон, акцент и темп. Она позиционируется как более быстрый и дешёвый вариант синтеза, рассчитанный на черновики и короткие фрагменты, а не на длинные финальные рендеры.

Когда использовать

• Запуск Генератора аудио, чтобы превратить написанный сценарий в дикторский текст или закадровый голос, ничего не записывая самому.
• Итерации по формулировкам: как более быстрый и дешёвый из вариантов синтеза, он подходит для повторных дублей, пока вы ещё правите сценарий.
• Короткие фрагменты (джинглы, отдельные реплики, подсказки), когда результат нужен быстро.
• Проверка выбора голоса и языка среди более 70 поддерживаемых языков, прежде чем брать на себя длинный рендер.
• Пробы указаний по стилю для тона, акцента и темпа, чтобы услышать, как инструкция по подаче меняет чтение.

Что нужно знать перед запуском

Тарификация считается по сгенерированным выходным токенам (оптовая единица указана примерно за 1500 выходных токенов), поэтому стоимость растёт вместе с объёмом синтезированной речи. Длинный сценарий стоит больше короткого, и практичный способ контролировать расходы — сократить текст или разбить его на более короткие отрезки и озвучить их отдельно. На входе текст, плюс голос и указание по стилю, которые вы выбираете в Генераторе аудио. Плата за более быстрый и дешёвый уровень в том, что он нацелен на черновики и короткие фрагменты. В Pipe2 опубликован разобранный пример, если хотите посмотреть, с какими входными данными он запускался.

Также известна как

Эту модель можно встретить под названиями Gemini 2.5 Flash Text-to-Speech, Gemini 2.5 Flash Preview TTS или gemini-2.5-flash-preview-tts; сокращение "Gemini-TTS" тоже относится к ней.