Gemini TTS: vozes, preços, API e idiomas explicados

Uma narração de um minuto feita com o Gemini TTS custa cerca de três centavos na tarifa padrão. Esse número único explica por que desenvolvedores, podcasters e criadores de cursos não param de perguntar sobre ele. Os modelos de fala do Google transformam um roteiro em áudio com 30 vozes nomeadas, dezenas de idiomas e um jeito simples, em linguagem comum, de dirigir a interpretação. O que os vídeos de demonstração não mostram é tudo o que decide se a ferramenta serve para o seu projeto: qual voz combina com cada tipo de trabalho, como a conta de tokens se soma, como é a chamada de API e onde estão os limites. Abaixo você encontra cada um desses pontos com números reais, um exemplo em Python que funciona e uma rota sem código que você pode testar no navegador em menos de um minuto.

O que o Gemini TTS realmente faz

O Gemini TTS é o lado de saída de fala dos modelos Gemini, do Google. Você envia texto mais uma instrução opcional, e o modelo devolve áudio em vez de mais texto. Os motores tradicionais de texto para fala aplicam a mesma entrega fixa a todas as frases. Um modelo Gemini TTS lê a instrução e o roteiro juntos, então "diga isto como uma enfermeira cansada de plantão noturno" muda o ritmo, a respiração e o tom, não só a altura da voz.

Do texto ao áudio falado

Toda solicitação tem os mesmos três ingredientes: um roteiro, uma voz e uma instrução de estilo. A página do Gemini 3.1 Flash TTS no Picasso IA expõe esses itens em quatro campos: text, voice, prompt e language_code. Os padrões são a voz Kore, o idioma en-US e o prompt "Say the following.". Clique em gerar e um arquivo de áudio pronto chega em segundos. As duas amostras publicadas na página do modelo levaram cerca de 6,5 e 4,0 segundos. Um ciclo tão curto muda a forma de trabalhar: reescreva uma linha, gere de novo e compare as versões como faria com um narrador humano, sem a taxa de reserva nem as horas de estúdio.

Versões do modelo em uso

O Google lança mais de um modelo de TTS, e a escolha muda a sua conta:

• Gemini 3.1 Flash TTS (prévia): cotado em US$ 1,00 por milhão de tokens de entrada de texto e US$ 20,00 por milhão de tokens de saída de áudio.
• Gemini 2.5 Flash Preview TTS: exatamente metade do preço do 3.1 Flash nos dois lados.
• Gemini 2.5 Pro Preview TTS: as mesmas tarifas do 3.1 Flash, sem camada gratuita.

Qual escolher? Opte pelo 3.1 Flash quando quiser o controle de interpretação mais recente. Opte pelo 2.5 Flash quando for narrar milhares de textos curtos, como notificações de aplicativos, em que a metade do preço faz diferença rápido. Escolha o 2.5 Pro apenas se preferir o resultado dele, já que custa o mesmo que o 3.1 Flash e não tem camada gratuita.

A documentação de fala do Google também lista modelos TTS mais novos das linhas Flash e Flash Lite. As tarifas deles não estavam na tabela de preços quando este artigo foi escrito, então confira a tabela antes de montar um orçamento com base neles.

As 30 vozes, organizadas por tom

O Gemini TTS traz 30 vozes predefinidas com nomes emprestados da astronomia e da mitologia. O Google atribui a cada uma um rótulo de uma palavra, como "Bright" ou "Firm", e esses rótulos são o atalho mais rápido para escolher. Trate-os como ponto de partida, porque um prompt de estilo pode deixar qualquer voz mais calorosa, mais rápida ou mais neutra.

Animadas e vibrantes

Sete vozes têm perfil energético: Zephyr (Bright), Puck (Upbeat), Autonoe (Bright), Laomedeia (Upbeat), Sadachbia (Lively), Fenrir (Excitable) e Leda (Youthful). Use-as em anúncios, vídeos curtos para redes sociais, tours de integração e conteúdo infantil, em qualquer lugar onde o ouvinte deva sentir impulso no primeiro segundo.

Calorosas e suaves

Seis vozes ficam do lado mais suave: Sulafat (Warm), Achird (Friendly), Vindemiatrix (Gentle), Achernar (Soft), Enceladus (Breathy) e Aoede (Breezy). Elas combinam com roteiros de meditação, histórias para dormir, aplicativos de bem-estar e mensagens de atendimento ao cliente.

Firmes e claras

Dez vozes transmitem autoridade: Kore (Firm), Orus (Firm), Alnilam (Firm), Iapetus (Clear), Erinome (Clear), Charon (Informative), Rasalgethi (Informative), Sadaltager (Knowledgeable), Schedar (Even) e Pulcherrima (Forward). A Kore é o padrão por um motivo: funciona bem em tutoriais, explicações e demonstrações de produto sem soar rígida.

As outras sete preenchem as lacunas. Algieba, Despina, Callirrhoe, Umbriel e Zubenelgenubi são suaves, tranquilas ou casuais, o que combina com conversas. Algenib (Gravelly) e Gacrux (Mature) trazem textura para personagens e narrativas.

💡 Teste antes de decidir. Cole um parágrafo de 30 palavras, renderize-o com três vozes e ouça pelos alto-falantes que o seu público vai usar. Os rótulos são a descrição do Google. A decisão final é dos seus ouvidos.

Mais de 70 idiomas e sotaques

O campo de idioma aceita mais de 70 idiomas, e muitos vêm em variantes regionais. Isso importa mais do que parece: o espanhol mexicano e o castelhano diferem em vocabulário e ritmo, e o ouvinte percebe em uma frase.

O fluxo de trabalho é simples. Escreva o roteiro no idioma de destino, defina o código correspondente e mantenha a voz. Na maioria dos casos, uma só voz consegue ler todos os idiomas da lista, então você mantém um mesmo som de marca em vários mercados. Outros códigos populares incluem de-DE, it-IT, ja-JP, ko-KR, hi-IN, tr-TR, pl-PL, nl-NL, sv-SE e vi-VN.

Idiomas menos comuns na lista

Além dos grandes mercados, a lista chega a cebuano (ceb-PH), crioulo haitiano (ht-HT), javanês (jv-JV), malgaxe (mg-MG), maithili (mai-IN), concani (kok-IN), sindi (sd-IN), basco (eu-ES), galego (gl-ES) e até latim (la-VA). A qualidade não será idêntica em todos eles, então peça a um falante nativo que revise qualquer conteúdo voltado ao cliente. Antes de localizar um curso inteiro, gere uma amostra de 20 segundos no idioma de destino com duas vozes e envie para um falante nativo com três perguntas: os nomes soam corretos, o ritmo parece natural e o sotaque corresponde à região que você pretende atingir? Se siglas confundirem o modelo, escreva-as foneticamente no roteiro. Se a sua fonte for um vídeo pronto, e não um roteiro, o ElevenLabs Dubbing traduz para mais de 90 idiomas na mesma plataforma.

Tags e prompts de estilo

Duas alavancas moldam a interpretação. As tags atuam sobre frases isoladas, e o prompt de estilo define o clima de toda a gravação.

Tags em linha para frases isoladas

As tags vão entre colchetes dentro do roteiro. A página do modelo lista [sigh], [laughing], [whispering], [shouting] e [extremely fast], e as amostras publicadas mostram que tags descritivas também funcionam. Uma delas começa com [like dracula] na voz Algenib. Outra usa [laughs] I did NOT expect that. [sigh] Can you believe it! na Callirrhoe.

Prompts de estilo para gravações inteiras

O campo prompt aceita linguagem simples de até 4.000 bytes. Instruções curtas como "Say this in a calm, professional tone" ou "Speak with excitement and energy" já mudam o resultado. Instruções mais longas constroem uma cena: "You are having a casual conversation with a friend. Say the following in a friendly and amused way." Essa segunda forma é a que a amostra publicada com a Callirrhoe usa.

Veja como as duas alavancas se combinam em um anúncio de produto, narrado com a Puck. O prompt diz "Speak like a friendly presenter on a morning show, upbeat but not rushed." O roteiro diz Big news today. [whispering] We're launching the new dashboard tomorrow. [shouting] And it's free for every team! O prompt define o teto de energia, o sussurro cria um momento de intimidade, e o grito soa mais forte porque vem depois de uma frase tranquila. O contraste é o que torna as tags audíveis.

💡 Uma emoção por frase. Empilhar três tags em uma linha gera confusão. Coloque uma tag, ouça e então decida se a frase precisa de outra.

Quanto o Gemini TTS realmente custa

O áudio é cobrado em tokens, e a página de preços do Google explica a conversão: 25 tokens de áudio por segundo. Todo o resto decorre desse número.

A conta de tokens em números simples

Um minuto de fala são 60 segundos vezes 25 tokens, ou seja, 1.500 tokens de saída. A US$ 20,00 por milhão, isso dá 1.500 vezes 20 dividido por 1.000.000, ou US$ 0,03 por minuto. O texto que você envia quase não conta: 150 palavras faladas equivalem a cerca de 200 tokens de entrada, aproximadamente US$ 0,0002.

Camada gratuita e descontos em lote

O Google oferece camada gratuita para os dois modelos Flash, enquanto o Pro é apenas pago. Os limites de uso da camada gratuita mudam, então confirme-os na página de preços antes de montar um plano de lançamento em cima deles. O modo em lote, isto é, tarefas assíncronas que terminam depois, reduz as duas tarifas pela metade. Isso o torna a escolha óbvia para audiolivros, bibliotecas de cursos ou qualquer acervo que você possa gerar durante a noite.

Um exemplo prático deixa isso concreto. Suponha que você narre um curso com 20 aulas de 8 minutos cada. São 160 minutos de áudio, que custam 160 vezes US$ 0,03, ou US$ 4,80, na tarifa padrão do 3.1 Flash, e US$ 2,40 em lote. Se estender para 100 aulas, você chega a US$ 24,00 no padrão ou US$ 12,00 em lote. Regravar uma aula depois de uma mudança no roteiro custa cerca de 24 centavos, e essa é a vantagem real: editar áudio deixa de ser um problema de agenda.

💡 Regra prática de orçamento. Multiplique os minutos de áudio finalizados por US$ 0,03 para a tarifa padrão do 3.1 Flash. A metade disso para o lote. Essas tarifas vêm de modelos de prévia, então confira-as de novo ao escalar.

Como chamar a API do Gemini TTS

Com o SDK de Python, uma solicitação de TTS é uma chamada generate_content comum com duas mudanças: uma modalidade de resposta de áudio e uma configuração de fala que nomeia a voz.

Um exemplo mínimo em Python

from google import genai
from google.genai import types
import wave

client = genai.Client()  # reads your credentials from the environment

response = client.models.generate_content(
    model="gemini-3.1-flash-tts-preview",
    contents="Say warmly: Welcome back. Today we compare three voices.",
    config=types.GenerateContentConfig(
        response_modalities=["AUDIO"],
        speech_config=types.SpeechConfig(
            voice_config=types.VoiceConfig(
                prebuilt_voice_config=types.PrebuiltVoiceConfig(voice_name="Kore")
            )
        ),
    ),
)

pcm = response.candidates[0].content.parts[0].inline_data.data

with wave.open("welcome.wav", "wb") as f:
    f.setnchannels(1)
    f.setsampwidth(2)
    f.setframerate(24000)
    f.writeframes(pcm)

Copiar prompt

Alguns detalhes economizam tempo de depuração:

• As credenciais ficam fora do arquivo. O cliente as lê de uma variável de ambiente, então nada secreto fica no seu repositório.
• A instrução de estilo faz parte do texto do prompt. "Say warmly:" antes do roteiro faz o mesmo papel que o campo prompt do PicassoIA.
• A saída é PCM bruto. Ela chega como áudio de 24 kHz, mono, 16 bits. O módulo wave envolve esse conteúdo em um arquivo WAV reproduzível, e o ffmpeg converte para MP3 se você precisar de arquivos menores.
• Os nomes dos campos mudam nos modelos de prévia. Consulte a referência atual do Google se uma chamada falhar depois de uma atualização do SDK.

Dois falantes em uma chamada

A API aceita até dois falantes em uma única solicitação. Identifique as falas no roteiro, por exemplo "Host:" e "Guest:", e depois associe cada rótulo a uma voz na configuração de fala. É um caminho rápido para diálogos em estilo podcast ou para um FAQ com duas vozes. Combine uma voz firme com uma animada para que o ouvinte distinga as trocas de fala sem precisar de imagem. Para três ou mais vozes, gere as falas de cada locutor separadamente e una-as em um editor de áudio.

Para roteiros longos, divida por parágrafo, envie os blocos um de cada vez e guarde em cache todos os resultados. Assim, uma solicitação que falha custa um parágrafo, e não o capítulo inteiro. Modelos de prévia costumam ter limites de uso mais apertados do que os estáveis, então envolva as chamadas em uma nova tentativa com recuo exponencial. Registre a voz, o código do idioma e um hash do roteiro junto de cada arquivo, e você poderá gerar qualquer trecho depois com as mesmas configurações.

Experimente o Gemini TTS no seu navegador

Se você precisa de apenas alguns trechos, dispense o código. A página do modelo no PicassoIA apresenta o Gemini 3.1 Flash TTS como gratuito para testar online, sem configuração, e cada campo corresponde às opções da API acima.

Passo a passo no navegador

1. Abra a página do Gemini 3.1 Flash TTS no PicassoIA.
2. Cole seu roteiro em Text. O limite é de 4.000 bytes, o bastante para uma explicação curta. Ele conta bytes, não caracteres, então roteiros em japonês ou árabe cabem menos caracteres do que em inglês.
3. Escolha uma Voice. Comece com a Kore e depois teste outras duas.
4. Defina o Language code que corresponde ao seu roteiro, como es-MX para espanhol mexicano.
5. Escreva um Prompt descrevendo tom e ritmo, ou deixe o padrão "Say the following." para uma leitura neutra.
6. Adicione tags como [whispering] onde quiser emoção, clique em gerar e baixe o áudio.
7. Para peças mais longas, divida o roteiro por seção e una os arquivos depois.

Configurações que valem a pena mudar

💡 Uma gravação sem vida geralmente significa um prompt curto. Aumente o prompt, não o roteiro. Diga quem está falando, para quem e por quê, e o ritmo e a ênfase tendem a acompanhar.

Combine com música e transcrições

A fala raramente é o projeto inteiro. Para uma trilha de fundo, experimente o Lyria 3 ou o Music 2.6 e misture-a discretamente por baixo da narração. Para legendas, rode o áudio no Gemini 3 Pro ou no GPT 4o Transcribe.

A transcrição também funciona como controle de qualidade. Transcreva a narração gerada e compare com o roteiro. Nomes de produtos pronunciados errado e palavras puladas aparecem como diferenças no texto muito antes de um ouvinte reclamar.

Faça sua primeira narração

O Gemini TTS se destaca em alguns trabalhos: narração de demonstrações de produto, aberturas de podcast e leituras de anúncios, versões em áudio de artigos e newsletters, vídeos de treinamento com tom consistente e trilhas multilíngues criadas a partir de um só roteiro. Se o seu projeto precisa de outro som, três outros modelos da mesma categoria valem um teste: o MiniMax Speech 2.8 HD para narrações com qualidade de estúdio, o ElevenLabs V3 para narração natural e o Inworld Realtime TTS 2 quando a velocidade de resposta é o que mais importa. Uma limitação a mais que vale conhecer: tanto a API quanto a página do PicassoIA trabalham com as 30 vozes predefinidas. Se você precisa de uma voz que soe como você ou como a sua marca, teste o MiniMax Voice Cloning ou o Qwen3 TTS.

A forma mais rápida de resolver a questão da voz é ouvi-la. Pegue um parágrafo do seu próprio projeto, abra o Gemini 3.1 Flash TTS no PicassoIA e gere-o com três vozes. Adicione uma tag [whispering], troque o código do idioma para ver como seu roteiro soa em um segundo mercado e compare os trechos lado a lado. Em dez minutos você vai saber qual voz é a sua, e pode testar o mesmo fluxo com modelos de música e transcrição no PicassoIA sempre que o projeto crescer.