Озвучка текста через API: Gemini 3.8 Flash TTS в рублях

Озвучить текст через API в рублях можно моделью Gemini 3.8 Flash TTS: POST /v1/audio/speech, тот же ключ и баланс, что у текстовых моделей KeyDealer. На 28 октября 2026 года оценка — около 1,25 ₽ за 1000 символов. За один запрос — до 2500 символов, на выходе WAV 24 кГц моно, на выбор 70 готовых голосов.

Разберём формат запроса, порядок «оценка — задача — статус — файл», нарезку длинного текста, склейку аудио и работу с интонацией.

Что умеет озвучка в KeyDealer

Позиция одна — gemini-3-8-flash-tts, она же google/gemini-3-8-flash-tts. Синтез проверен 14 октября 2026 года, модель доступна в живом каталоге.

Сама модель — разработка Google. По документации Google, Gemini 3.8 Flash TTS понимает больше 130 языков, русский среди них. Язык модель определяет по тексту сама, отдельного параметра нет.

Если нужно превращать тексты в голос и платить российской картой, KeyDealer даёт Gemini 3.8 Flash TTS по тому же ключу, что и текстовые модели. Оценка на 28 октября 2026 года — около 1,25 ₽ за 1000 символов. Отдельный аккаунт у Google и валютная карта для этого не нужны.

Как устроен запрос на озвучку

Тело запроса одно и то же для оценки и для запуска. Удобно держать его в файле:

{
  "model": "gemini-3-8-flash-tts",
  "input": "Привет! Это озвучка через KeyDealer.",
  "voice": "Charon",
  "instructions": "Спокойно и доброжелательно.",
  "response_format": "wav"
}

Дальше четыре шага.

# 1. Бесплатная оценка: ничего не резервирует и не запускает
curl --fail-with-body https://api.keydealer.ru/v1/audio/speech/quote \
  -H "Authorization: Bearer $KEYDEALER_API_KEY" \
  -H "Content-Type: application/json" --data-binary @speech.json

# 2. Запуск с максимумом из оценки и уникальным ключом задачи
curl --fail-with-body https://api.keydealer.ru/v1/audio/speech \
  -H "Authorization: Bearer $KEYDEALER_API_KEY" \
  -H "Content-Type: application/json" \
  -H "X-KD-Idempotency-Key: $SPEECH_IDEMPOTENCY_KEY" \
  -H "X-KD-Max-Charge-Microrubles: $MAX_CHARGE_MICRORUBLES" \
  --data-binary @speech.json

# 3. Статус той же задачи до completed или failed
curl --fail-with-body "https://api.keydealer.ru/v1/audio/speech/operations/$OPERATION_ID" \
  -H "Authorization: Bearer $KEYDEALER_API_KEY"

# 4. Скачивание WAV после completed
curl --fail-with-body "https://api.keydealer.ru/v1/audio/speech/operations/$OPERATION_ID/content" \
  -H "Authorization: Bearer $KEYDEALER_API_KEY" -o voice.wav

Оба заголовка во втором шаге обязательны. X-KD-Max-Charge-Microrubles берётся из поля max_charge_microrubles ответа оценки, 1 ₽ = 1 000 000 микрорублей. X-KD-Idempotency-Key — строка от 16 до 128 латинских букв, цифр, дефисов и подчёркиваний, своя для каждой задачи.

Запуск возвращает 202 и JSON с полем id вида kd_tts_.... Статусы: queued, dispatching, waiting, unknown, completed, failed. Повторное скачивание готового файла бесплатно и новую озвучку не запускает.

Почему это не похоже на OpenAI audio.speech

Потому что ответ — задача, а не аудиофайл. Синхронный вызов audio.speech.create() из SDK OpenAI ждёт байты WAV или MP3 в ответе и с этим API без адаптации работать не будет. Нужна небольшая обёртка: оценка, запуск, опрос статуса раз в несколько секунд, скачивание.

Неизвестные поля в теле отклоняются ещё до отправки модели. Параметр speed и формат mp3 из спецификации OpenAI вернут ошибку 400, денег за неё не возьмут.

Сколько стоит озвучка и как работает резерв

Ответ: около 1,25 ₽ за 1000 символов по оценке каталога на 28 октября 2026 года. Статья в 10 000 символов — это четыре-пять запросов и около 12,5 ₽. Текст в 500 000 символов, то есть небольшая книга, — около 200 запросов и 627 ₽.

Оценка не равна счёту. Итог считается по фактическому использованию, которое подтверждает модель, поэтому он может немного отличаться от оценки в обе стороны.

Перед отправкой KeyDealer резервирует на балансе максимум из оценки. Он заметно выше ожидаемой суммы, в разы, — это страховка на случай, если подтверждённое использование окажется больше расчётного. Списание происходит только после того, как аудио проверено, и никогда не превышает принятый максимум. Лишний резерв возвращается, когда задача завершается. Отсюда практический вывод: на балансе должно хватать денег на резерв, а не только на ожидаемую сумму, иначе придёт 402.

Если статус unknown, исход ещё не подтверждён. В этом случае не создавайте новую задачу и не считайте, что озвучка бесплатна: продолжайте спрашивать статус той же задачи.

Как разрезать длинный текст на куски по 2500 символов

Резать по границам предложений, а не ровно по 2500 знаков. Обрыв на середине фразы модель прочитает с неестественной интонацией, и шов будет слышен.

Скрипт ниже собирает предложения в куски не длиннее лимита. Если одно предложение само длиннее 2500 символов, он режет его по последнему пробелу. Python считает длину строки в кодовых точках Unicode — так же, как лимит в API.

import re, sys

LIMIT = 2500

def chunks(text, limit=LIMIT):
    sentences = re.split(r'(?<=[.!?…])\s+', text.strip())
    out, cur = [], ''
    for s in sentences:
        while len(s) > limit:              # очень длинное предложение
            cut = s.rfind(' ', 0, limit)   # режем по последнему пробелу
            cut = cut if cut > 0 else limit
            if cur:
                out.append(cur); cur = ''
            out.append(s[:cut].strip()); s = s[cut:].strip()
        if cur and len(cur) + len(s) + 1 > limit:
            out.append(cur); cur = s
        else:
            cur = f'{cur} {s}'.strip()
    if cur:
        out.append(cur)
    return out

text = open(sys.argv[1], encoding='utf-8').read()
for i, c in enumerate(chunks(text)):
    open(f'chunk_{i:02d}.txt', 'w', encoding='utf-8').write(c)
    print(i, len(c))

Мы проверили скрипт на тексте из 400 предложений и одного искусственного предложения примерно в 4000 символов. Все куски вышли не длиннее 2500 символов, и при склейке текст совпал с исходным.

Учтите второй лимит: одна озвучка — не больше 300 секунд. В обычном темпе 2500 символов русского текста, по нашей грубой прикидке, звучат около трёх минут. Если в instructions вы просите говорить медленно, уменьшите куски, например до 1500 символов. Общие принципы нарезки длинных текстов — в статье как разбить документ на части.

Как склеить WAV-файлы в один

Все куски приходят в одном формате, 24 кГц моно PCM 16 бит, поэтому их можно склеить без перекодирования. Для ffmpeg это список файлов и демультиплексор concat:

# пауза 0,4 секунды между кусками, в том же формате
ffmpeg -f lavfi -i anullsrc=r=24000:cl=mono -t 0.4 -c:a pcm_s16le pause.wav

# список: кусок, пауза, кусок...
for f in voice_*.wav; do printf "file '%s'\nfile 'pause.wav'\n" "$f"; done > list.txt

ffmpeg -f concat -safe 0 -i list.txt -c copy book.wav

Короткая пауза между кусками нужна, чтобы стыки звучали как конец абзаца, а не как запнувшийся диктор. Если нужен MP3, конвертируйте уже склеенный файл одной командой ffmpeg.

Как задавать интонацию через instructions

Ответ: короткой фразой о манере чтения, одинаковой для всех кусков. Например: «спокойно и доброжелательно», «бодро, как ведущий подкаста», «медленно и чётко, как на уроке».

В документации Google есть важная деталь о моделях 3.8. Текст они читают как дословную расшифровку, поэтому ремарки вроде «(с улыбкой)» внутри input прозвучат вслух. Манеру нужно описывать отдельно — у нас для этого поле instructions.

Ещё три совета Google, которые стоит перенести на свой поток:

• Сначала озвучьте текст вовсе без инструкций — по словам Google, большинству запросов стиль не нужен.
• Держите инструкцию короткой. Длинные описания персонажа на несколько абзацев, по наблюдению Google, — частая причина того, что голос «плывёт».
• Не пытайтесь менять в инструкции пол, возраст или акцент. Для этого выбирают другой голос.

Google описывает и встроенные теги пауз и звуков в самом тексте, например <short pause> или <sigh>. Через API KeyDealer мы их не проверяли, поэтому на них не рассчитывайте, пока не убедитесь на своём тексте.

Как выбрать голос

Список из 70 имён отдаёт GET /v1/audio/voices. Имя передаётся в поле voice точно как в списке, например Charon или Kore. Описаний тембров в нашем каталоге нет, поэтому выбирать придётся на слух.

Практичный способ — озвучить одну и ту же фразу на русском пятью-десятью голосами. Фраза в 200 символов по оценке стоит около 0,25 ₽, так что выбор голоса обходится в 2–3 рубля. Один раз выбранный голос держите неизменным для всего проекта — иначе куски будут звучать разными людьми.

Где озвучка полезна

Типичные задачи — аудиоверсии статей, озвучка уроков и инструкций, голос для роликов. Для онлайн-курсов это разобрано в статье нейросеть для онлайн-школы, для видео — в материале о сценариях для видео.

Живой голосовой разговор с агентом — другая задача и другая модель. Чем отличается озвучка готового текста от диалога в реальном времени, разобрано в статье про Gemini 3.8 Live. Ограничить расход на пакетную озвучку можно отдельным ключом с потолком, это описано в статье про лимит расхода на ключ.

Что происходит с текстом и аудио

Текст и инструкции передаются модели для озвучки. До отправки мы храним их в зашифрованном виде; неотправленная задача истекает через 24 часа. Готовое аудио хранится зашифрованным и доступно только с ключом вашего аккаунта тоже 24 часа. После этого остаётся финансовая запись, но файл заново не генерируется — скачайте его вовремя.

Чего мы не утверждаем

Мы не утверждаем, что оценка равна счёту. 1,25 ₽ за 1000 символов — ориентир каталога на 28 октября 2026 года, итог считается по подтверждённому использованию.

Мы не обещаем возможностей модели, которых нет в нашем API. У Google есть диалог двух дикторов, дизайн и копирование голоса — через KeyDealer этого нет.

Мы не оцениваем качество голосов. Звучание на вашем тексте проверяется только прослушиванием.

Что держать в голове

Первое. Это асинхронный API: оценка, задача, статус, файл. Код под синхронный вызов OpenAI придётся обернуть.

Второе. Лимиты — 2500 символов текста и 300 секунд звука на запрос. Длинный текст режьте по предложениям, куски склеивайте с короткой паузой.

Третье. Интонацию задаёт короткая инструкция, одинаковая на всех кусках, а текст модель читает дословно. Что мы за проект — на странице о проекте, ключ заводится на keydealer.ru/login.