Gemini 3.8 Flash-Lite TTS

Gemini 3.8 Flash-Lite TTS ( gemini-3.8-flash-lite-tts ) — это быстрая и экономичная модель преобразования текста в речь от Google, созданная для замены gemini-3.1-flash-tts-preview в высокопроизводительных производственных средах.

Обзор и возможности

Система преобразования текста в речь Gemini 3.8 Flash-Lite TTS сочетает в себе низкую задержку и выразительную, естественную речь:

• Высокая производительность: оптимизировано для массового производства, каскадов разговорных голосовых агентов, функций чтения вслух и повседневной генерации речи от одного говорящего на основных языках.
• Совместимость со схемой без изменений: использует ту же самую схему API и формат структурированных запросов, что и gemini-3.8-flash-tts , что позволяет переключаться между моделями с помощью изменения одного параметра.
• Полная поддержка голосовой экосистемы: поддерживаются готовые голоса, расширенная библиотека голосов ( GET /v1beta/voices ), пользовательские профили голосов и репликация голосов (по умолчанию — постоянно сохраненные голоса, а также дополнительные ключи без сохранения состояния). Вы также можете создавать и реплицировать голоса в интерактивном режиме в Google AI Studio .

Для получения полной информации о функциях, лучших практиках использования подсказок и примерах кода посетите руководство по преобразованию текста в речь .

Когда использовать ту или иную модель синтеза речи

Обе модели Gemini 3.8 TTS используют одну и ту же схему API и структуру подсказок. Выберите модель, которая подходит для вашей рабочей нагрузки:

Руководство по миграции

Если вы обновляете gemini-3.1-flash-tts-preview до gemini-3.8-flash-lite-tts , обновите свои запросы для схемы Gemini 3.8 TTS:

1. Переместите указания уровня реплики в speech_metadata : Gemini 3.8 TTS обрабатывает входной текст строго как дословную расшифровку. Встроенные текстовые указания, такие как "Say cheerfully: Hello!" или "Speaker 1: Hello!" могут быть произнесены вслух. Переместите инструкции по продолжительной подаче речи ( style ) и метки говорящего ( speaker ) в структурированные метаданные:
   • API для взаимодействия: Добавьте к каждому блоку текстового содержимого аннотацию, содержащую параметры "type": "speech_metadata" , "speaker" и "style" .
   • GenerateContent API: Прикрепите "speech_metadata": {"speaker": "...", "style": "..."} к каждой part .
2. Используйте встроенные теги в угловых скобках только для отдельных голосовых событий: короткие неречевые вокализации и паузы следует размещать непосредственно в транскрипте с помощью угловых скобок (например, <laugh> , <sigh> , <cough> , <breath> или <short pause> ). Стили подачи, такие как шепот, следует указывать в файле speech_metadata.style .
3. В запросах с несколькими говорящими необходимо явно указывать speaker в каждом раунде: в каждом раунде запроса с несколькими говорящими необходимо явно указывать speaker в speech_metadata соответствующего одному из настроенных говорящих.
4. Создавайте профили пользователей заранее с помощью проектирования голоса: замените устаревшие блоки «Аудиопрофиль / Заметки режиссера» пользовательским голосом, созданным в процессе проектирования голоса , а затем используйте этот идентификатор voice_... в запросах TTS с минимальными или пустыми строками style .
5. Учитывайте вывод WAV-файлов по умолчанию ( audio/wav ) при унарных запросах: в отличие от gemini-3.1-flash-tts-preview и более ранних моделей TTS (которые по умолчанию возвращали необработанный PCM audio/l16 без заголовка), Gemini 3.8 TTS по умолчанию возвращает WAV-аудиофайлы ( audio/wav / AUDIO_WAV ) со стандартным заголовком RIFF для унарных запросов.
   • Если в вашем коде ранее необработанные PCM-байты были упакованы в заголовок WAV (например, с помощью модуля wave в Python или ffmpeg ), удалите эту ручную упаковку заголовка и запишите полученные байты непосредственно в файл .wav .
   • Если ваш конвейер обработки данных требует необработанного аудио в формате PCM, mu-law или A-law без заголовка, явно установите response_format в значение "audio/l16" ( "AUDIO_L16" ), "audio/mulaw" ( "AUDIO_MULAW" ) или "audio/alaw" ( "AUDIO_ALAW" ). См. раздел "Форматы вывода аудио" .

gemini-3.8-flash-lite-tts

Поддерживаемые языки

gemini-3.8-flash-lite-tts автоматически определяет язык ввода и поддерживает 101 язык :