模型定位
Google 的旗舰创意文字转语音模型,侧重高保真声音、富有表现力的演绎、地方口音以及长篇多轮语音的一致性。(aistudio.google.com)
能力与用途
- 将文本转换为单人或多人语音,可通过结构化元数据控制说话人和表达风格,并使用语音事件标签控制笑声、叹息和停顿等表现。
- 支持预设声音、扩展声音库、自然语言声音设计、经同意验证的声音复刻,以及声音混音。Google 的 Gemini API 模型页面列出支持 130 种语言。
- 适用于有声读物、录音室旁白、播客、游戏角色配音及复杂多人对话。(aistudio.google.com)
限制
- Gemini API 模型输入为文本、输出为音频;输入上限为 8,192 token,输出服务上限为 16,384 token。不支持 Live API、上下文缓存和函数调用。
- 输入文本会被视作逐字朗读内容;持续性的风格和说话人指令应放入
speech_metadata,否则行内指令可能被读出。声音复刻须使用本人声音或有权使用的声音,并经过同意验证。 - Google 的音频模型卡指出,模型可能出现幻觉、偶发延迟或超时。(aistudio.google.com)
发布日期
Gemini API 更新日志记载,该模型于 2026 年 9 月 22 日正式发布(GA)。Google 博客介绍文章发表于 2026 年 9 月 23 日。(aistudio.google.com)
价格
以下为 Gemini Developer API 官方美元(USD)价格,按每 100 万 token 计费;文本输入和音频输出分别收费。查询日期:2026 年 11 月 16 日。(aistudio.google.com)
| 付费方式 | 截至 2026-12-31:文本输入 / 音频输出 | 自 2027-01-01 起:文本输入 / 音频输出 |
|---|---|---|
| Standard | $0.50 / $9.00 | $1.00 / $18.00 |
| Batch | $0.25 / $4.50 | $0.50 / $9.00 |
| Flex | $0.25 / $4.50 | $0.50 / $9.00 |
| Priority | $0.90 / $16.20 | $1.80 / $32.40 |
官方定价表列出 Standard 免费层级的输入和输出免费,Batch 与 Flex 无免费层级;具体使用额度和可用条件以官方页面为准。官方按每秒音频 25 个 token 说明音频计量。上述价格不代表其他平台的价格。(aistudio.google.com)