在 Open WebUI 中使用 Gemini 2.5 TTS 模型

在今年的 I/O 大会上，Google 推出了 Gemini 2.5 系列 TTS (text-to-speech) 模型的预览版，包括 Gemini 2.5 Flash 和 Gemini 2.5 Pro。用户可以在 AI Studio 上免费体验。免费层级的 AI Studio API 用户也有一定的试用额度，具体可参见官方文档。

初步体验过后，我发现它生成的语音流畅、自然，几乎听不出明显的机器音。虽然官方文档上没有明确说明支持中文，但实测下来发现可用，而且效果还可以。

我最近一直在使用 Open WebUI，它内置的 TTS 功能可以朗读对话内容。于是我萌生了将 Gemini 2.5 TTS 集成进 Open WebUI 的想法。经过一番研究，我发现 Open WebUI 并不支持 Gemini 的 API 格式，但兼容 OpenAI 的格式。

于是，我借助 AI 快速开发了一个简单的转换服务，它能将 OpenAI 格式的 TTS 请求转换为 Gemini API 所需的格式，然后调用 Gemini API 获取音频并返回。通过这个服务，我们就能在 Open WebUI 中无缝使用 Gemini 2.5 TTS 模型。如果你觉得这个项目对你有帮助，欢迎在 GitHub 上给我一个 star。

部署服务

使用 Docker

首先，你需要创建一个 .env 文件来配置环境变量（可参考项目中的 .env.example 文件）：

# .env.example - 环境变量配置模板
# 复制此文件为 .env 并填入你的实际配置

# === 服务认证配置 ===
# 客户端访问此服务时需要提供的 API 密钥（可以是多个，用逗号分隔）
# 建议使用强密码生成器生成 32+ 位的随机字符串
API_KEYS="your_secret_api_key_1,your_secret_api_key_2"

# === 上游 API 配置 ===
# 你的 Google Gemini API 密钥
# 获取方式：https://aistudio.google.com/apikey
GEMINI_API_KEY="your_google_gemini_api_key_here"

# === 应用配置 ===
# 日志级别：DEBUG, INFO, WARNING, ERROR
# 开发环境推荐使用 DEBUG，生产环境推荐使用 INFO
LOG_LEVEL=INFO

配置完成后，可以直接使用我打包好的镜像，使用以下命令即可一键运行服务：

docker run -d \
  --name gemini-tts \
  -p 8000:8000 \
  --env-file .env \
  --restart unless-stopped \
  boming/gemini-to-openai-tts:latest

本机部署

如果你希望在本地直接运行，步骤同样很简单。项目提供了一个 Makefile 来简化流程：

1. 克隆仓库： git clone https://github.com/huangboming/gemini-to-openai-tts
2. 进入项目目录： cd gemini-to-openai-tts
3. 配置环境变量： cp .env.example .env，然后修改 .env 文件，具体说明同上一节。
4. 安装依赖：make install
5. 运行服务： make run

服务启动后，你可以在 http://<你的IP>:8000 访问它。

配置 Open WebUI

Open WebUI 的配置过程与设置标准的 OpenAI TTS 类似，只需修改 API 端点和密钥即可。

具体配置如下：

1. 在 Open WebUI 中打开管理员面板
2. 导航至 设置 -> 语音
3. 配置以下设置：
   • 将 TTS API 端点设置为你的服务 URL（例如：http://localhost:8000/v1/audio/speech）
   • 在认证字段中添加你的 API key，这里是上面环境变量中 API_KEYS 中的一个
   • 从可用选项中选择你喜欢的语音

一个配置示例如下：

最后有一个小提示：如果你使用的是免费层级的 Gemini API key，建议将“拆分回复“选项设置为 paragraphs (段落) 或 none (不拆分)。因为免费版 API 每分钟的请求次数有限（3次/分钟，15次/天），如果按句子拆分，很容易超出额度。