Gemini 3.8 Flash-Lite TTS

‫Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) הוא מודל מהיר וחסכוני של Google להמרת טקסט לדיבור, שנועד להחליף את gemini-3.1-flash-tts-preview בעומסי עבודה של ייצור עם תפוקה גבוהה.

סקירה כללית ויכולות

‫Gemini 3.8 Flash-Lite TTS משלב בין זמן אחזור נמוך לבין דיבור טבעי ובעל הבעה:

• יעילות גבוהה של תפוקה: מותאם לייצור בכמות גדולה, למפל של סוכני קוליים לשיחה, לתכונות של קריאה בקול רם וליצירת דיבור של דובר יחיד בשפות עיקריות.
• תאימות סכמה מושלמת: יש לו את אותה סכמת API ואת אותו פורמט של הנחיות מובנות כמו gemini-3.8-flash-tts, כך שאפשר להחליף מודלים באמצעות שינוי של פרמטר אחד.
• תמיכה מלאה במערכת אקולוגית של קולות: תמיכה בקולות מוכנים מראש, בספריית הקולות המורחבת (GET /v1beta/voices), בפרסונות של עיצוב קול בהתאמה אישית ובשכפול קול (קולות שנשמרים כברירת מחדל, בתוספת מפתחות אופציונליים ללא שמירת מצב). אתם יכולים גם לעצב ולשכפל קולות באופן אינטראקטיבי ב-Google AI Studio.

במדריך המרת טקסט לדיבור יש מידע מפורט על התכונות, שיטות מומלצות לכתיבת הנחיות ודוגמאות קוד.

מתי כדאי להשתמש באיזה מודל TTS

לשני מודלי ה-TTS של Gemini 3.8 יש את אותה סכימת API ואותו מבנה של הנחיות. בוחרים את המודל שמתאים לעומס העבודה:

מדריך להעברת נתונים (מיגרציה)

אם אתם משדרגים מ-gemini-3.1-flash-tts-preview ל-gemini-3.8-flash-lite-tts, אתם צריכים לעדכן את הבקשות שלכם לסכימת Gemini 3.8 TTS:

1. העברת הוראות ברמת הפנייה ל-speech_metadata: Gemini 3.8 TTS מתייחס לטקסט הקלט כאל תמליל מילולי בלבד. יכול להיות שהוראות טקסט מוטבעות כמו "Say cheerfully: Hello!" או "Speaker 1: Hello!" יוקראו בקול. העברת הוראות להפצה מתמשכת (style) ותוויות לזיהוי דוברים (speaker) למטא-נתונים מובְנים:
   • ‫Interactions API: מצרפים הערה עם "type": "speech_metadata",‏ "speaker" ו-"style" לכל בלוק של תוכן טקסט.
   • ‫GenerateContent API: מצרפים את "speech_metadata": {"speaker": "...", "style": "..."} לכל part.
2. משתמשים בתגי שורה עם סוגריים זוויתיים רק לאירועים קוליים בנקודת זמן מסוימת: משתמשים בסוגריים זוויתיים (כמו <laugh>, <sigh>, <cough>, <breath> או <short pause>) כדי לציין בתוך התמליל הפסקות וקולות רגעיים שאינם דיבור. משתמשים בסוגריים זוויתיים speech_metadata.style כדי לציין סגנונות דיבור כמו לחישה.
3. ציון speaker בכל תור בבקשות עם כמה דוברים: כל תור בבקשה עם כמה דוברים חייב לכלול באופן מפורש את speaker בתוך speech_metadata שתואם לאחד מהדוברים שהוגדרו.
4. עיצוב פרסונות מראש באמצעות עיצוב קול: מחליפים בלוקים ארוכים של פרופיל אודיו או הערות של במאי בקול מותאם אישית שנוצר בעיצוב קול, ואז מעבירים את מזהה voice_... הזה דרך בקשות ה-TTS עם מחרוזות style מינימליות או ריקות.
5. הסבר על פלט WAV (audio/wav) שמוגדר כברירת מחדל בבקשות unary: בניגוד למודלים של TTS מגרסה gemini-3.1-flash-tts-preview ומגרסאות קודמות (שבהם הוחזר PCM גולמי ללא כותרת audio/l16 כברירת מחדל), מודל Gemini 3.8 TTS מחזיר אודיו בפורמט WAV ‏(audio/wav / AUDIO_WAV) עם כותרת RIFF רגילה כברירת מחדל לבקשות unary.
   • אם הקוד שלכם עטף בעבר בייטים של PCM גולמיים בכותרת WAV (לדוגמה, באמצעות מודול wave של Python או ffmpeg), צריך להסיר את העטיפה הידנית של הכותרת ולכתוב את הבייטים שהוחזרו ישירות לקובץ .wav.
   • אם צינור עיבוד הנתונים שלכם דורש אודיו בפורמט PCM,‏ mu-law או A-law ללא כותרת, צריך להגדיר במפורש את response_format.mime_type ל-"audio/l16",‏ "audio/mulaw" או "audio/alaw" (לדוגמה, {"response_format": {"type": "audio", "mime_type": "audio/l16"}} ב-Interactions API, או AUDIO_L16,‏ AUDIO_MULAW או AUDIO_ALAW ב-generateContent). מידע נוסף זמין במאמר בנושא פורמטים של פלט אודיו.

gemini-3.8-flash-lite-tts

שפות נתמכות

‫gemini-3.8-flash-lite-tts מזהה את שפת הקלט באופן אוטומטי ותומך ביותר מ-100 שפות: