Gemini 2.5 Flash TTS

Коротко

Разработчик

Google, модель показана в мае 2025 года

На входе

текст до 4000 знаков для одного диктора или для разговора двоих

На выходе

аудиофайл MP3, моно

Голоса

30 готовых: 14 женских и 16 мужских, образец каждого играет в форме

Русский язык

говорит по-русски, в списке языков озвучки ещё 23

Подача

тон, темп и настроение описываются словами в отдельном поле

Цена

4 ₽ за 1000 символов

Обычно готово

≈ 15 с после отправки

API

есть, документация

Что умеет: шесть проб

Пять записей в Gemini 2.5 Flash TTS мы сделали сами, шестую взяли из готовых примеров на странице нейросети. Каждую прогнали через распознавание речи и сверили с исходным текстом, а темп посчитали по длительности файла.

Пять минут речи за один запуск

Сначала мы проверили длинный текст. Написали аудиоэкскурсию по выдуманной набережной на 3512 знаков: восемь абзацев с годами, расстояниями и именами — и отправили её целиком.

Манеру речи описали так: «Спокойно и дружелюбно, как экскурсовод на прогулке: без спешки, с небольшими паузами между абзацами». Файл на 4 минуты 51 секунду пришёл примерно через три минуты. Темп почти ровный: первые три четверти около 12 знаков в секунду, последняя — около 14. Между абзацами модель держит паузу 0,7–0,9 секунды, годы вроде «1898» и «4 метра 20 сантиметров» распознались без потерь.

Четыре слова распознавание записало с ошибкой: «летейщик» вместо «литейщик» на 0:26, «у спуску» на 2:20, «со сетрами» на 3:00 и «старей» на 3:12. Виновата модель или само распознавание, по тексту не понять. Если запись пойдёт в публикацию, переслушайте эти места.

Автоответчик с сокращениями

На сокращениях озвучка спотыкается чаще всего. Мы набили ими приветствие мастерской: «ул.», «д.», «стр.», «сб.», «вс.», «мин.», «руб.» и «т. е.».

Добрый день! Вас приветствует мастерская «Добрый ключ». Мы находимся по адресу: ул. Садовая, д. 14, стр. 2, вход со двора. Работаем ежедневно с 10:00 до 20:00, в сб. и вс. — до 18:00. Изготовление ключа занимает 15–20 мин., т. е. можно подождать на месте. Заточка ножей — 350 руб. за штуку. Чтобы записаться, нажмите 1, чтобы поговорить с мастером — 2.

«Улица», «дом», «минут», «рублей» и «то есть» модель развернула сама. А дни недели, судя по расшифровке, так и прочитала буквами: распознавание записало «в СБ и ВС». На месте «стр.» оно услышало «строй», это около восьмой секунды. Вывод простой: дни недели и редкие сокращения пишите полностью.

Сказка с ремаркой для голоса

Поле Манера речи не озвучивается, это подсказка, как читать. Для сказки на ночь мы попросили голос Leda звучать «как ведущая детской радиопередачи перед сном: ласково, неторопливо, с улыбкой, на вопросах интонация вверх».

Жил-был ёжик по имени Тимофей, и больше всего на свете он боялся темноты. Каждый вечер он спрашивал маму: «А что там, за кустом?» А мама отвечала: «Там спят светлячки. Хочешь, разбудим одного?» И вот однажды Тимофей решился. Он подошёл к кусту, тихонько постучал по листику — и куст засветился сразу сотней маленьких фонариков.

Слово «неторопливо» сработало: 327 знаков растянулись на 34 секунды, около 9,5 знака в секунду. Автоответчик выше, где подсказки не было, читался заметно быстрее. Поднимается ли голос на вопросах, распознавание не покажет, это стоит послушать.

Сценка на два голоса

Этот пример уже лежит на странице нейросети. В режиме Диалог текст пишется одним куском, каждая строка начинается с имени: голоса здесь стоят по умолчанию, Kore у Анны и Puck у Олега.

Анна: Олег, ты опять купил три книги? Мы же договаривались: одна в месяц! Олег: Это не три. Это одна книга… в трёх томах. Анна: Очень смешно. И куда мы их поставим? Полка уже гнётся. Олег: Я всё продумал. Под кровать! Там ещё полно места. Анна: Под кровать… Ладно. Но четвёртый том выбираю я. Олег: Договорились. Кстати, он выходит в пятницу.

Манера речи: «Живой бытовой разговор: Анна притворно сердится, Олег оправдывается с улыбкой». Все шесть реплик распознались, голоса ни разу не перепутались: высота голоса у строк Анны около 230–255 Гц, у Олега 125–145 Гц. Вся сценка — 26 секунд.

Урок английского для начинающих

Тот же режим годится для учебных диалогов. Мы выбрали в Языке озвучки «Английский (США)», назвали собеседников Teacher и Student и дали им голоса Sulafat и Fenrir.

Teacher: Good morning! What did you do last weekend? Student: I... went to the park with my brother. Teacher: Great. And what did you do there? Student: We played football and ate ice cream. Teacher: Very good! Now ask me the same question. Student: What did you do last weekend? Teacher: I stayed at home and read a book.

Подсказку к подаче написали по-английски: учитель говорит медленно и чётко, ученик отвечает неуверенно. Распознавание записало все семь реплик слово в слово, а между большинством реплик модель оставила паузы около полусекунды.

Метки вздоха и смеха

Подсказка формы про метки в квадратных скобках молчит, но в документации Google они перечислены и для этой модели. Мы проверили четыре: [sigh], [laughing], [whispering] и [short pause].

Короче, захожу я вчера в лифт с коробкой торта. [sigh] Двери закрываются, и тут лифт встаёт между этажами. [laughing] Сорок минут, представляешь? [whispering] Я съел половину торта, пока ждал. [short pause] Только маме не говори.

Вслух ни одна метка не прозвучала. А вот шёпот, судя по громкости, сдвинулся: фраза сразу после [whispering] звучит так же громко, как остальные, а заметно тише вышла последняя, «Только маме не говори». Так что метки здесь — эксперимент. Если вздох или шёпот нужен обязательно, попробуйте Gemini 3.1 Flash TTS: в её форме эти метки подсказаны.

Как это работает: от текста до MP3

Режим задаёт переключатель Тип генерации. В режиме Один голос весь текст звучит одним голосом. В режиме Диалог строки делятся между двумя собеседниками: каждая начинается с имени и двоеточия («Олег: Привет!»), а имена перед двоеточием должны совпадать с теми, что вписаны в поля Имя первого собеседника и Имя второго собеседника.

Вставьте текст, до 4000 знаков вместе с пробелами. Выберите голос и Язык озвучки: тот, на котором написан текст. У каждого голоса в форме есть кнопка с образцом, а переключатель Голоса прячет мужские или женские.

Пожелания к подаче, если они есть, пишутся в Манеру речи. Сумма к списанию видна на кнопке Отправить ещё до запуска.

Готовая запись появится под формой в виде плеера. Короткие тексты у нас приходили за 16–33 секунды. Кнопка Скачать сохраняет MP3, Изменить возвращает текст и настройки в форму, а Повторить сразу отправляет ту же озвучку заново, и интонации нового дубля могут отличаться. Запись хранится в Моих результатах 7 дней, а чтобы она осталась насовсем, сохраните её в библиотеку.

Настройки: язык, голоса, имена

Текст под слух и подсказка к подаче

Текст для озвучки пишут под слух. Цифры, годы и время модель читает уверенно, а сокращения разворачивает не все: дни недели, «стр.», единицы измерения надёжнее написать полностью. Длинные предложения разбейте на короткие, тогда паузы встанут на места точек.

Подсказку в Манеру речи удобно собирать из трёх частей: кто говорит, с каким настроением и в каком темпе. Два шаблона из наших проб:

Частые ошибки:

• в диалоге имя в тексте написано иначе, чем в поле («Аня» и «Анна»);
• язык озвучки оставлен русским, а текст английский: произношение подстраивается под выбранный язык;
• текст длиннее 4000 знаков: форма его не примет, делите по абзацам.

Сколько стоит: цена по длине текста

Цена зависит только от длины текста: голос, язык, режим и подсказка к подаче её не меняют. Тексты до 500 знаков стоят одинаково, поэтому пару коротких объявлений выгоднее озвучить одним файлом и разрезать при монтаже.

Длительность мы прикинули по своим записям без спешки. С подсказкой «медленно» запись выйдет длиннее, а цена не изменится.

Для чего подойдёт

• Аудиогиды, лекции и главы книг: до пяти минут одним файлом, как экскурсия выше.
• Автоответчики и объявления с адресами, часами работы и ценами.
• Учебные диалоги на английском, немецком, испанском и других языках из списка.
• Сказки на ночь и тексты для детских роликов с заданной интонацией.
• Бытовые сценки и подкастовые вставки на два голоса.
• Черновая озвучка ролика, чтобы проверить хронометраж до записи диктора.

Как выбрать голос и собрать озвучку для ролика, разобрано в инструкции «Как озвучить текст с помощью нейросети».

Ограничения и обходные пути

• В диалоге только двое. Реплики третьего героя запишите отдельно и вклейте при монтаже.
• Своего голоса и клона нет, только 30 готовых. Для клона посмотрите MiniMax Speech 2.8.
• Ударения в форме не расставить: слово, которое модель прочитала не так, замените близким по смыслу или перестройте фразу.
• Язык выбирается один на весь текст. Как прозвучат иностранные вставки в русском тексте, мы не проверяли; для смешанного текста у 3.1 есть автоопределение языка.
• Подсказку к подаче модель понимает как пожелание. Если интонация не та, нажмите Повторить или опишите подачу конкретнее.

Gemini 2.5, 3.1 или 3.8: когда брать 2.5

На сайте четыре Gemini TTS с одинаковым набором из 30 голосов, а различаются они формой. Версия 2.5 берёт за раз больше текста, чем 3.1, и, в отличие от Gemini 3.8 Flash TTS, даёт выбрать язык озвучки; диалог в ней, как и в 3.1, вставляется одним куском с именами. Поэтому её стоит открыть, когда текст длинный, но в 4000 знаков укладывается, когда нужен конкретный язык или сценарий диалога уже написан целиком. Если у каждой реплики должна быть своя манера, а смех и вздох нужны тегами, удобнее 3.8. Если нужны метки в квадратных скобках с подсказкой в форме или настройка Вариативность, это Gemini 3.1 Flash TTS.

Цены всех версий собраны в таблице. Другие озвучки на одной и той же фразе можно послушать в подборке нейросетей для озвучки текста, а все модели Google описаны в статье о нейросетях Google.

Вопросы и ответы о версии 2.5