Gemini 2.5 Pro Preview TTS

Gemini 2.5 Pro Preview TTS — модель Google для синтеза речи, то есть для превращения текста в звук. Ей дают только текст, а возвращает она только аудио. Модель вышла в статусе предварительной версии. Google представила её на конференции I/O в мае 2025 года вместе с более лёгкой Gemini 2.5 Flash TTS.

От классических синтезаторов речи её отличает управление обычными словами. В запросе можно описать тон, акцент, темп и манеру подачи: например, попросить прочитать фразу шёпотом или бодро. Документация советует задавать «профиль голоса», описывать сцену и добавлять заметки, как режиссёр для актёра. Модель умеет читать текст одним голосом или разыгрывать диалог двух собеседников с разными голосами. На выбор есть 30 готовых голосов. Язык текста модель определяет сама.

Модель подходит для озвучки статей и книг, подкастов с двумя ведущими, обучающих материалов и других задач, где важна выразительная подача. Для живого разговора с голосовым помощником в реальном времени Google предлагает другие модели — с встроенным аудио в Live API.

Сама Google называет ограничения. Иногда модель возвращает текст вместо звука, и тогда запрос завершается ошибкой. Если запись длиннее нескольких минут, качество и ровность голоса могут «поплыть». Позже у Google вышла Gemini 3.1 Flash TTS Preview с теми же основными возможностями.

источники:Анонс на I/O: обновления Gemini API ↗Документация: синтез речи в Gemini API ↗Блог Google об обновлении аудиомоделей ↗