Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) مدل نوشتار به گفتار سریع و مقرون‌به‌صرفه Google است که برای جایگزینی gemini-3.1-flash-tts-preview در حجم کاری تولید با توان عملیاتی بالا ساخته شده است.
نمای کلی و قابلیت‌ها
Gemini 3.8 Flash-Lite TTS تأخیر کم را با گفتار طبیعی و رسا ترکیب می‌کند:
- کارایی با توان عملیاتی بالا: برای تولید انبوه، آبشارهای عامل صوتی مکالمه‌ای، ویژگی‌های بلندخوانی، و تولید گفتار تک‌گوینده روزمره در زبان‌های اصلی بهینه‌سازی شده است.
- سازگاری طرحواره‌ای آماده استفاده: دقیقاً از همان طرحواره میانای برنامه‌سازی کاربردی و
قالب پیام‌واره ساختاریافته
gemini-3.8-flash-ttsاستفاده می‌کند و به شما امکان می‌دهد با تغییر یک پارامتر، مدل‌ها را عوض کنید. - پشتیبانی کامل از بوم‌سازگان صدا: از صداهای پیش‌ساخته، «کتابخانه صدای گسترده» (
GET /v1beta/voices)، شخصیت‌های سفارشی طراحی صدا، و تکثیر صدا (صداهای ذخیره‌شده ماندگار به‌طور پیش‌فرض، به‌علاوه کلیدهای اختیاری بدون وضعیت) پشتیبانی می‌کند. همچنین می‌توانید صداها را به‌صورت تعاملی در Google AI Studio طراحی و تکثیر کنید.
برای پوشش کامل ویژگی‌ها، روال‌های مطلوب پیام‌واره، و نمونه‌های کد، به راهنمای تبدیل نوشتار به گفتار مراجعه کنید.
چه زمانی از کدام مدل «نوشتار به گفتار» استفاده کنیم
هر دو مدل Gemini 3.8 TTS از طرحواره API و ساختار پیام‌واره یکسانی استفاده می‌کنند. مدلی را که مناسب حجم کاری‌تان است انتخاب کنید:
| ویژگی / بار کاری | Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) |
Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) |
|---|---|---|
| قدرت اصلی | توان گذرداد بالا، تأخیر کم، و کارایی هزینه | حداکثر وفاداری صدا، تفاوت‌های ظریف بازیگری، و پوشش گویش |
| بهترین موارد استفاده | تولید با حجم بالا، آبشارهای کارگزار صوتی هم‌زمان، ویژگی‌های بلندخوانی، شبیه‌سازی صدا، تولید تک‌بلندگوی روزمره | کتاب‌های صوتی، روایت استودیویی، گفتگوی پیچیده چند بلندگو، بازیگری با انفجار آوازی سنگین، تلفظ دشوار، گویش‌های منطقه‌ای |
| زبان‌های پشتیبانی‌شده | ۱۰۱ زبان | ۱۳۰ زبان |
| جایگزین توصیه‌شده برای | gemini-3.1-flash-tts-preview |
سطح خلاقانه پرچم‌دار جدید |
راهنمای انتقال
اگر از gemini-3.1-flash-tts-preview به
gemini-3.8-flash-lite-tts ارتقا می‌دهید، درخواست‌هایتان را برای طرحواره Gemini 3.8 TTS به‌روز کنید:
- انتقال دستورالعمل‌های سطح گردش به
speech_metadata: «نوشتار به گفتار Gemini 3.8» با نوشتار ورودی دقیقاً مثل یک آوانویسی کلمه‌به‌کلمه رفتار می‌کند. دستورالعمل‌های نوشتاری درون‌خطی مثل"Say cheerfully: Hello!"یا"Speaker 1: Hello!"ممکن است با صدای بلند خوانده شوند. انتقال دستورالعمل‌های ارائه پایدار (style) و برچسب‌های گوینده (speaker) به فراداده ساختاریافته:- Interactions API: یک گزارمان با
"type": "speech_metadata"،"speaker"، و"style"به هر بلوک محتوای نوشتاری پیوست کنید. - GenerateContent API:
"speech_metadata": {"speaker": "...", "style": "..."}را به هرpartپیوست کنید.
- Interactions API: یک گزارمان با
- فقط برای رویدادهای صوتی لحظه‌ای از برچسب‌های درون‌خطی کروشه استفاده کنید: صداهای غیرگفتاری لحظه‌ای و وقفه‌ها را بااستفاده از کروشه (مانند
<laugh>،<sigh>،<cough>،<breath>، یا<short pause>) به‌صورت درون‌خطی در ترانویسی نگه دارید. سبک‌های ارائه مانند زمزمه کردن را درspeech_metadata.styleقرار دهید. - در هر نوبت در درخواست‌های چند بلندگو،
speakerرا مشخص کنید: هر نوبت در درخواست چند بلندگو باید به‌طور صریح شاملspeakerدرspeech_metadataباشد که با یکی از بلندگوهای پیکربندی‌شده مطابقت داشته باشد. - طراحی شخصیت‌های فرضی ازقبل با «طراحی صدا»: بلوک‌های قدیمی طولانی «نمایه صوتی» / «یادداشت‌های کارگردان» را با صدای سفارشی ساخته‌شده در طراحی صدا جایگزین کنید، سپس آن
voice_...شناسه را ازطریق درخواست‌های «تبدیل نوشتار به گفتار» با رشته‌هایstyleحداقل یا خالی منتقل کنید. - حساب برای برونداد پیش‌فرض WAV (
audio/wav) در درخواست‌های یک‌تایی: برخلافgemini-3.1-flash-tts-previewو مدل‌های قدیمی‌تر «نوشتار به گفتار» (که به‌طور پیش‌فرض PCM خام بدون سرایندaudio/l16برمی‌گرداندند)، Gemini 3.8 TTS برای درخواست‌های یک‌تایی به‌طور پیش‌فرض صدای WAV (audio/wav/AUDIO_WAV) با سرایند استاندارد RIFF برمی‌گرداند.- اگر کد شما قبلاً بایت‌های PCM خام را در سرصفحه WAV می‌پیچید (برای مثال، بااستفاده از واحد
waveیاffmpegدر Python)، بسته‌بندی سرصفحه دستی را بردارید و بایت‌های برگشتی را مستقیماً در فایل.wavبنویسید. - اگر خط لوله شما به صدای PCM خام بدون سرایند، mu-law، یا A-law نیاز دارد،
response_format.mime_typeرا به‌طور صریح روی"audio/l16"،"audio/mulaw"، یا"audio/alaw"تنظیم کنید (برای مثال،{"response_format": {"type": "audio", "mime_type": "audio/l16"}}در «میانای برنامه‌سازی کاربردی تعاملات»، یاAUDIO_L16،AUDIO_MULAW، یاAUDIO_ALAWدرgenerateContent). به قالب‌های برونداد صوتی مراجعه کنید.
- اگر کد شما قبلاً بایت‌های PCM خام را در سرصفحه WAV می‌پیچید (برای مثال، بااستفاده از واحد
gemini-3.8-flash-lite-tts
| دارایی | شرح |
|---|---|
| کد مدل | gemini-3.8-flash-lite-tts |
| انواع داده‌های پشتیبانی‌شده برای |
ورودی‌ها نوشتار برونداد صوتی |
| محدودیت‌های نشان[*] |
محدودیت داده‌واحد ورودی ۸٬۱۹۲ محدودیت داده‌واحد برونداد ۱۶۳۸۴ (حد ارائه Gemini API) |
| قابلیت‌ها | پشتیبانی‌شده پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود |
| گزینه‌های مصرف |
پشتیبانی‌شده پشتیبانی‌شده پشتیبانی‌شده |
| نسخه |
|
| آخرین به‌روزرسانی | سپتامبر ۲۰۲۶ |
زبان‌های پشتیبانی‌شده
gemini-3.8-flash-lite-tts زبان ورودی را به‌طور خودکار تشخیص می‌دهد و از بیش‌از ۱۰۰ زبان پشتیبانی می‌کند:
| زبان | زبان | زبان |
|---|---|---|
| آچه‌ای (الفبای عربی) | آلمانی | مانیپوری |
| آفریکانس | یونانی | ماراتی |
| آکان | گجراتی | مینانگ‌کابو (الفبای عربی) |
| آمهاریک | کریول هائیتی | میزو |
| ارمنی | مغولی خلخ | نپالی (زبان مستقل) |
| آسامی | هوسایی | فولانی نیجریه |
| اودهی | عبری | آذربایجانی شمالی |
| بالیایی | هندی | سوتوی شمالی |
| بنگالی | مجارستانی | ازبکی شمالی |
| بنجری (الفبای لاتین) | ایسلندی | بوکسمال نروژی |
| باسک | ایلوکو | نروژی (نینورسک) |
| Belarusian | اندونزیایی | نیانجا |
| بوجپوری | فارسی ایرانی | اودیا (زبان فردی) |
| بوسنیایی | ایتالیایی | فارسی (افغانستان) |
| بوگیایی | ژاپنی | لهستانی |
| بلغاری | جاوه‌ای | پرتغالی |
| کانتونی | کامبا | پنجابی |
| کاتالان | کنادا | رومانیایی |
| سبوانو | کشمیری (الفبای عربی) | روسی |
| کردی میانی | کشمیری (خط دیواناگری) | سنتالی |
| چتیسگری | قزاقی | صربی |
| چینی (خط هان) | خمر | سینهالی |
| چینی (خط سنتی) | کیکویو | اسلوواک |
| کرواتی | کینیارواندایی | آذربایجانی جنوبی |
| چک | کنگو | پشتو جنوبی |
| دانمارکی | کره‌ای | اسپانیایی |
| هلندی | قرقیزی | عربی معیار (الفبای عربی) |
| عربی مصری | لائوسی | عربی معیار (الفبای لاتین) |
| انگلیسی | لینگالا | لتونیایی استاندارد |
| استونیایی | مقدونی | مالایی استاندارد |
| فیلیپینی | ماگهی | تامیل |
| فرانسوی | مایتهیلی | تلوگو |
| گالیسی | مالایالام | ترکی |
| گاندا | مالتی | ویتنامی |
| گرجستانی | — | — |