Gemini 3.8 Flash-Lite TTS

Gemini 3.8 Flash-Lite TTS（gemini-3.8-flash-lite-tts）は、高スループットの本番環境ワークロード向けに gemini-3.1-flash-tts-preview を置き換えるために構築された、高速で費用対効果の高い主力テキスト読み上げモデルです。

概要と機能

Gemini 3.8 Flash-Lite TTS は、低レイテンシと表現力豊かな自然な音声を組み合わせたものです。

• 高スループットの効率性: 大量生産、会話型音声エージェント カスケード、読み上げ機能、主要言語での日常的な単一話者の音声生成向けに最適化されています。
• ドロップイン スキーマの互換性: gemini-3.8-flash-tts とまったく同じ API スキーマと構造化プロンプト形式を共有するため、1 つのパラメータを変更するだけでモデルを切り替えることができます。
• 音声エコシステムの完全なサポート: 事前構築済みの音声、拡張音声ライブラリ（GET /v1beta/voices）、カスタムの音声デザイン ペルソナ、音声の複製（デフォルトでは永続的に保存された音声、オプションでステートレス キー）をサポートします。Google AI Studio で、音声をインタラクティブに設計して複製することもできます。

機能、プロンプトのベスト プラクティス、コード例について詳しくは、テキスト読み上げガイドをご覧ください。

どの TTS モデルを使用するか

Gemini 3.8 TTS モデルはどちらも同じ API スキーマとプロンプト構造を共有しています。ワークロードに適したモデルを選択します。

移行ガイド

gemini-3.1-flash-tts-preview から gemini-3.8-flash-lite-tts にアップグレードする場合は、Gemini 3.8 TTS スキーマのリクエストを更新します。

1. ターンレベルの指示を speech_metadata に移動: Gemini 3.8 TTS は、入力テキストを厳密に逐語録として扱います。"Say cheerfully: Hello!" や "Speaker 1: Hello!" などのインライン テキストの指示は、読み上げられることがあります。持続的な配信手順（style）とスピーカー ラベル（speaker）を構造化メタデータに移動します。
   • Interactions API: "type": "speech_metadata"、"speaker"、"style" を含むアノテーションを各テキスト コンテンツ ブロックに付加します。
   • GenerateContent API: 各 part に "speech_metadata": {"speaker": "...", "style": "..."} を付加します。
2. 時点の音声イベントにのみ山かっこインライン タグを使用する: 一時的な発話以外の音声や一時停止は、山かっこ（<laugh>、<sigh>、<cough>、<breath>、<short pause> など）を使用して文字起こしでインラインに保持します。ささやきなどの話し方は speech_metadata.style に入れます。
3. 複数話者のリクエストのすべてのターンで speaker を指定する: 複数話者のリクエストのすべてのターンで、構成された話者のいずれかに一致する speech_metadata 内に speaker を明示的に含める必要があります。
4. 音声デザインでペルソナを事前に設計する: 長いレガシーの音声プロファイル / ディレクターズ ノートのブロックを、音声デザインで作成したカスタム音声に置き換え、その voice_... ID を TTS リクエストで style 文字列を最小限にするか空にして渡します。
5. 単項リクエストのデフォルトの WAV（audio/wav）出力を考慮する: gemini-3.1-flash-tts-preview 以前の TTS モデル（デフォルトでヘッダーなしの未加工 PCM audio/l16 を返した）とは異なり、Gemini 3.8 TTS は、単項リクエストに対してデフォルトで標準 RIFF ヘッダー付きの WAV 音声（audio/wav / AUDIO_WAV）を返します。
   • 以前のコードで、未加工の PCM バイトを WAV ヘッダーでラップしていた場合（たとえば、Python の wave モジュールまたは ffmpeg を使用していた場合）、手動のヘッダー ラッパーを削除し、返されたバイトを .wav ファイルに直接書き込みます。
   • パイプラインでヘッダーレスの RAW PCM、μ-law、A-law のオーディオが必要な場合は、response_format を "audio/l16"（"AUDIO_L16"）、"audio/mulaw"（"AUDIO_MULAW"）、または "audio/alaw"（"AUDIO_ALAW"）に明示的に設定します。オーディオ出力形式をご覧ください。

gemini-3.8-flash-lite-tts

サポートされている言語

gemini-3.8-flash-lite-tts は入力言語を自動的に検出し、101 言語をサポートしています。