Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) হল Google-এর দ্রুত,
কম খরচে কাজ করা টেক্সট-টু-স্পিচ মডেল যা
gemini-3.1-flash-tts-preview-এর পরিবর্তে বেশি থ্রুপুট প্রোডাকশন ওয়ার্কলোডের জন্য তৈরি করা হয়েছে।
ওভারভিউ ও ক্ষমতা
Gemini 3.8 Flash-Lite TTS কম লেটেন্সির সাথে ভাবপূর্ণ, স্বাভাবিক কথোপকথন একত্রিত করে:
- হাই-থ্রুপুট দক্ষতা: বাল্ক প্রোডাকশন, কথোপকথনমূলক ভয়েস এজেন্ট ক্যাসকেড, রিড-অ্যালআউড ফিচার এবং প্রধান প্রধান ভাষা জুড়ে প্রতিদিনের সিঙ্গেল-স্পিকার স্পিচ জেনারেশনের জন্য অপ্টিমাইজ করা হয়েছে।
- ড্রপ-ইন স্কিমা কম্প্যাটিবিলিটি:
gemini-3.8-flash-tts-এর মতো একই API স্কিমা ও স্ট্রাকচার্ড প্রম্পটিং ফর্ম্যাট শেয়ার করে, এর ফলে আপনি একটি প্যারামিটার পরিবর্তন করেই মডেল পরিবর্তন করতে পারেন। - সম্পূর্ণ ভয়েস ইকোসিস্টেম সাপোর্ট: আগে থেকে তৈরি ভয়েস, এক্সটেন্ডেড
ভয়েস লাইব্রেরি (
GET /v1beta/voices), কাস্টম ভয়েস ডিজাইন পার্সোনা এবং ভয়েস রেপ্লিকেশন (ডিফল্ট হিসেবে পার্সিস্টেন্ট স্টোর করা ভয়েস, এছাড়াও ঐচ্ছিক স্টেটলেস কী) কাজ করে। এছাড়াও, আপনি ইন্ট্যার্যাক্টিভ পদ্ধতিতে Google AI Studio-তে ভয়েস ডিজাইন ও রেপ্লিকেট করতে পারবেন।
ফিচার, পেশাদার পদ্ধতি ও কোড সংক্রান্ত উদাহরণের সম্পূর্ণ কভারেজ পেতে, টেক্সট-টু-স্পিচ গাইড দেখুন।
কোন TTS মডেল কখন ব্যবহার করতে হবে
Gemini 3.8 TTS মডেল দুটির API স্কিমা ও প্রম্পটিং স্ট্রাকচার একই। আপনার কাজের চাপের সাথে মানানসই মডেল বেছে নিন:
| ফিচার / ওয়ার্কলোড | Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) |
Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) |
|---|---|---|
| প্রাথমিক স্ট্রেন্থ | হাই থ্রুপুট, লো লেটেন্সি ও খরচ সাশ্রয়ী | সর্বাধিক ভয়েস ফিডেলিটি, অ্যাক্টিংয়ের সূক্ষ্মতা এবং উপভাষা কভারেজ |
| ব্যবহারের সেরা ক্ষেত্র | হাই-ভলিউম প্রোডাকশন, রিয়েল-টাইম ভয়েস এজেন্ট ক্যাসকেড, রিড-অ্যালাউড ফিচার, ভয়েস রেপ্লিকেশন, প্রতিদিনের সিঙ্গেল-স্পিকার জেনারেশন | অডিওবুক, স্টুডিওতে বর্ণনা, একাধিক বক্তার জটিল সংলাপ, উচ্চস্বরে অভিনয়, কঠিন উচ্চারণ, আঞ্চলিক উপভাষা |
| মানানসই ভাষা | ১০১টি ভাষা | ১৩০টি ভাষা |
| এর বদলে এটি ব্যবহার করার সাজেশন দেওয়া হয়েছে | gemini-3.1-flash-tts-preview |
নতুন ফ্ল্যাগশিপ ক্রিয়েটিভ টিয়ার |
মাইগ্রেশন গাইড
আপনি gemini-3.1-flash-tts-preview থেকে
gemini-3.8-flash-lite-tts-এ আপগ্রেড করলে, Gemini 3.8 TTS স্কিমার জন্য আপনার অনুরোধ আপডেট করুন:
- টার্ন-লেভেল নির্দেশাবলী
speech_metadata-এ সরান: Gemini 3.8 TTS ইনপুট টেক্সটকে হুবহু ট্রান্সক্রিপ্ট হিসেবে বিবেচনা করে। ইনলাইন টেক্সট নির্দেশাবলী যেমন"Say cheerfully: Hello!"বা"Speaker 1: Hello!"জোরে পড়া হতে পারে। সাস্টেনড ডেলিভারি সংক্রান্ত নির্দেশাবলী (style) ও স্পিকার লেবেল (speaker) স্ট্রাকচার্ড মেটাডেটায় সরান:- Interactions API: প্রতিটি টেক্সট কন্টেন্ট
ব্লকের সাথে
"type": "speech_metadata","speaker"ও"style"অ্যাটাচ করুন। - GenerateContent API: প্রতিটি
part-এর সাথে"speech_metadata": {"speaker": "...", "style": "..."}অ্যাটাচ করুন।
- Interactions API: প্রতিটি টেক্সট কন্টেন্ট
ব্লকের সাথে
- নির্দিষ্ট সময়ের মধ্যে হওয়া ভোকাল ইভেন্টের জন্য শুধু অ্যাঙ্গেল-ব্র্যাকেট ইনলাইন ট্যাগ ব্যবহার করুন: ক্ষণস্থায়ী বাক-বহির্ভূত ভোকাল অ্যাক্টিভিটি ও বিরতি অ্যাঙ্গেল-ব্র্যাকেট (যেমন,
<laugh>,<sigh>,<cough>,<breath>বা<short pause>) ব্যবহার করে ট্রান্সক্রিপ্টে ইনলাইন রাখুন। ফিসফিস করে কথা বলার মতো ডেলিভারি স্টাইলspeech_metadata.style-এর মধ্যে রাখুন। - একাধিক স্পিকারের অনুরোধে প্রতিটি ধাপে
speakerউল্লেখ করুন: একাধিক স্পিকারের অনুরোধের প্রতিটি ধাপে কনফিগার করা স্পিকারের সাথে ম্যাচ করাspeakerঅবশ্যইspeech_metadataস্পষ্টভাবে উল্লেখ করতে হবে। - ভয়েস ডিজাইন দিয়ে আগে থেকেই পার্সোনা ডিজাইন করুন: ভয়েস ডিজাইন-এ তৈরি কাস্টম ভয়েস দিয়ে বড় ও পুরনো অডিও
প্রোফাইল / ডিরেক্টর্স নোট ব্লক পাল্টে দিন
এবং তারপরে ন্যূনতম বা খালি
styleস্ট্রিং সহ আপনার TTS অনুরোধের মাধ্যমে সেইvoice_...ID নিয়ে যান। - একক অনুরোধের ক্ষেত্রে ডিফল্ট WAV (
audio/wav) আউটপুটের জন্য অ্যাকাউন্ট:gemini-3.1-flash-tts-previewও এর আগের TTS মডেলের (যেগুলি ডিফল্ট হিসেবে হেডার ছাড়া কাঁচা PCMaudio/l16রিটার্ন করত) মতো নয়, Gemini 3.8 TTS একক অনুরোধের ক্ষেত্রে ডিফল্ট হিসেবে স্ট্যান্ডার্ড RIFF হেডার সহ WAV অডিও (audio/wav/AUDIO_WAV) রিটার্ন করে।- আপনার কোড আগে WAV হেডার (যেমন, Python-এর
waveমডিউল বাffmpegব্যবহার করে) দিয়ে র PCM বাইট র্যাপ করে থাকলে, ম্যানুয়াল হেডার র্যাপার সরিয়ে দিন এবং রিটার্ন করা বাইট সরাসরি.wavফাইলে লিখুন। - আপনার পাইপলাইনে হেডার ছাড়া কাঁচা PCM, mu-law বা A-law অডিও প্রয়োজন হলে,
response_format.mime_type-কে"audio/l16","audio/mulaw"বা"audio/alaw"হিসেবে স্পষ্টভাবে সেট করুন (যেমন,{"response_format": {"type": "audio", "mime_type": "audio/l16"}}Interactions API-তে অথবাAUDIO_L16,AUDIO_MULAWবাAUDIO_ALAWgenerateContent-এ)। অডিও আউটপুট ফর্ম্যাট দেখুন।
- আপনার কোড আগে WAV হেডার (যেমন, Python-এর
gemini-3.8-flash-lite-tts
| প্রপার্টি | বিবরণ |
|---|---|
| মডেল কোড | gemini-3.8-flash-lite-tts |
| ডেটার ধরন |
ইনপুট টেক্সট আউটপুট অডিও |
| টোকেন সীমা[*] |
ইনপুট টোকেনের সীমা ৮,১৯২ আউটপুট টোকেনের সীমা ১৬,৩৮৪ (Gemini API পরিবেশনের সীমা) |
| কেপেবিলিটি | কাজ করে কাজ করে না কাজ করে না কাজ করে না কাজ করে না Google Maps-এর মাধ্যমে গ্রাউন্ডিং কাজ করে না কাজ করে না কাজ করে না কাজ করে না কাজ করে না কাজ করে না কাজ করে না |
| ব্যবহারের বিকল্প |
কাজ করে কাজ করে কাজ করে |
| ভার্সন |
|
| লেটেস্ট আপডেট | সেপ্টেম্বর ২০২৬ |
যেসব ভাষায় এটি ব্যবহার করা যায়
gemini-3.8-flash-lite-tts ইনপুট ভাষা অটোমেটিক শনাক্ত করে এবং
১০০টিরও বেশি ভাষায় কাজ করে:
| ভাষা | ভাষা | ভাষা |
|---|---|---|
| আসেনিজ (আরবি স্ক্রিপ্ট) | জার্মান | মণিপুরী |
| আফ্রিকান্স | গ্রিক | মারাঠি |
| আকান | গুজরাতি | মিনাঙ্গকাবাউ (আরবি স্ক্রিপ্ট) |
| আমহারীক | হাইতিয়ান ক্রেওল | মিজো |
| আর্মেনীয় | খালখ মঙ্গোলিয়ান | নেপালি (স্বতন্ত্র ভাষা) |
| অসমিয়া | হাউসা | নাইজেরিয়ান ফুলফুল্দে |
| আওয়াধি | হিব্রু | উত্তর আজারবাইজানি |
| বালিনিজ | হিন্দি | নর্দার্ন সোথো |
| বাংলা | হাঙ্গেরিয়ান | উত্তর উজবেক |
| বানজার (ল্যাটিন স্ক্রিপ্ট) | আইসল্যান্ডিক | নরওয়ে বোকমাল |
| বাস্ক | ইলোকানো | নরওয়েজীয় নাইনরস্ক |
| বেলারুশিয়ান | ইন্দোনেশিয়ান | নিয়াঞ্জা |
| ভোজপুরি | ইরানিয়ান ফার্সি | ওড়িয়া (স্বতন্ত্র ভাষা) |
| বসনিয়ান | ইতালিয়ান | ফারসি (আফগানিস্তান) |
| বুগিনিজ | জাপানি | পোলিশ |
| বুলগেরিয়ান | জাভানীয় | পর্তুগিজ |
| ক্যান্টনিজ | কাম্বা | পঞ্জাবি |
| কাতালান | কন্নড় | রোমানিয়ান |
| সেবুয়ানো | কাশ্মীরি (আরবি লিপি) | রুশ |
| সেন্ট্রাল কুর্দিশ | কাশ্মীরি (দেবনাগরী লিপি) | সাঁওতালি |
| ছত্তিসগড়ী | কাজাখ | সার্বিয় |
| চীনা (হ্যান্স স্ক্রিপ্ট) | খমের | সিংহলি |
| চীনা (Hant স্ক্রিপ্ট) | কিকু্ইয়ু | স্লোভাক |
| ক্রোয়েশিয়ান | কাইনিয়ারোয়ান্ডা | দক্ষিণ আজারবাইজানি |
| চেক | কঙ্গো | দক্ষিণী পুশতু |
| ড্যানিশ | কোরিয়ান | স্প্যানিশ |
| ডাচ | কিরগিজ | আধুনিক আরবি (আরবি স্ক্রিপ্ট) |
| মিশরীয় আরবি | লাও | প্রমিত আরবি (ল্যাটিন স্ক্রিপ্ট) |
| ইংরেজি | লিঙ্গালা | স্ট্যান্ডার্ড লাটভিয়ান |
| এস্তোনিয়ান | ম্যাসিডোনীয় | প্রমিত মালয় |
| ফিলিপিনো | মগহী | তামিল |
| ফরাসী | মৈথিলি | তেলুগু |
| গ্যালিশিয় | মালায়লাম | তুর্কি |
| Ganda | মল্টিজ | ভিয়েতনামিজ |
| জর্জিয়ান | — | — |