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, למפלי סוכני קוליים לשיחה, לתכונות של קריאה בקול רם וליצירת דיבור של דובר יחיד בשפות מרכזיות.
• תאימות סכמה מיידית: ל-gemini-3.8-flash-tts יש את אותה סכמת API ואותו פורמט של הנחיות מובנות כמו, 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 ה-TTS של Gemini 3.8:

1. העברת הוראות ברמת הפנייה אל speech_metadata: ב-Gemini 3.8 TTS, טקסט הקלט נחשב לתמליל מילולי בלבד. יכול להיות שהוראות טקסט מוטמעות כמו "Say cheerfully: Hello!" או "Speaker 1: Hello!" יוקראו בקול. העברת הוראות להפצה מתמשכת (style) ותוויות לזיהוי דוברים (speaker) למטא-נתונים מובנים:
   • ‫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: שומרים על קולות רגעיים שאינם דיבור והפסקות בשורה בתמליל באמצעות סוגריים זוויתיים (כמו <laugh>, <sigh>, <cough>, <breath> או <short pause>). סגנונות דיבור כמו לחישה מופיעים בתוך speech_metadata.style.
3. צריך לציין speaker בכל תור בבקשות עם כמה דוברים: בכל תור בבקשה עם כמה דוברים צריך לציין במפורש את speaker בתוך speech_metadata שמתאים 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 בבקשות ה-TTS עם מחרוזות style מינימליות או ריקות.
5. חשבון עבור 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 PCM,‏ mu-law או A-law גולמי ללא כותרת, צריך להגדיר במפורש את response_format ל-"audio/l16" ("AUDIO_L16"),‏ "audio/mulaw" ("AUDIO_MULAW") או "audio/alaw" ("AUDIO_ALAW"). מידע נוסף זמין במאמר בנושא פורמטים של פלט אודיו.

gemini-3.8-flash-lite-tts

שפות נתמכות

‫gemini-3.8-flash-lite-tts מזהה אוטומטית את שפת הקלט ותומך ב101 שפות: