Gemini 3.8 Flash TTS

Gemini 3.8 Flash TTS ( gemini-3.8-flash-tts ) — это флагманская модель преобразования текста в речь от Google, разработанная для обеспечения студийного качества звука, выразительной игры актеров, аутентичных региональных акцентов и исключительной стабильности при многократных оборотах.

Обзор и возможности

Gemini 3.8 Flash TTS sets a new benchmark for expressive audio generation:

• Высокая акустическая точность и актерская тонкость: демонстрирует богатый эмоциональный диапазон, естественную интонацию и точное следование указаниям style и вокальным переходам ( <laugh> , <sigh> , <short pause> ).
• Long-form multi-turn stability: Maintains consistent voice identity, timbre, volume, and acoustic room tone across extended dialogues and multi-minute narrations without voice drift.
• Authentic regional accents and pronunciation: Supports regional accents and minority dialects.
• Полная поддержка голосовой экосистемы: бесперебойная работа с предустановленными голосами, расширенной библиотекой голосов ( GET /v1beta/voices ), пользовательскими профилями пользователей Voice и репликацией голосов (по умолчанию — постоянно сохраненные голоса, плюс дополнительные ключи без сохранения состояния). Вы также можете создавать и реплицировать голоса в интерактивном режиме в Google AI Studio .

Visit the Text-to-speech guide for full coverage of features, prompting best practices, and code examples.

Когда использовать ту или иную модель синтеза речи

Both Gemini 3.8 TTS models share the same API schema and prompting structure. Choose the model that fits your workload:

Руководство по миграции

If you are migrating from gemini-3.1-flash-tts-preview or earlier Gemini TTS models, update your requests for the Gemini 3.8 TTS schema:

1. Переместите указания уровня реплики в speech_metadata : Gemini 3.8 TTS обрабатывает входной текст строго как дословную расшифровку. Встроенные текстовые указания, такие как "Say cheerfully: Hello!" или "Speaker 1: Hello!" могут быть произнесены вслух. Переместите инструкции по продолжительной подаче речи ( style ) и метки говорящего ( speaker ) в структурированные метаданные:
   • Interactions API: Attach an annotation with "type": "speech_metadata" , "speaker" , and "style" to each text content block.
   • GenerateContent API: Attach "speech_metadata": {"speaker": "...", "style": "..."} to each part .
2. Используйте встроенные теги в угловых скобках только для отдельных голосовых событий: короткие неречевые вокализации и паузы следует размещать непосредственно в транскрипте с помощью угловых скобок (например, <laugh> , <sigh> , <cough> , <breath> или <short pause> ). Стили подачи, такие как шепот, следует указывать в файле speech_metadata.style .
3. Specify speaker on every turn in multi-speaker requests: Every turn in a multi-speaker request must explicitly include speaker inside speech_metadata matching one of the configured speakers.
4. Создавайте профили пользователей заранее с помощью проектирования голоса: замените устаревшие блоки «Аудиопрофиль / Заметки режиссера» пользовательским голосом, созданным в процессе проектирования голоса , а затем используйте этот идентификатор voice_... в запросах TTS с минимальными или пустыми строками style .
5. Учитывайте вывод WAV-файлов по умолчанию ( audio/wav ) при унарных запросах: в отличие от gemini-3.1-flash-tts-preview и более ранних моделей TTS (которые по умолчанию возвращали необработанный PCM audio/l16 без заголовка), Gemini 3.8 TTS по умолчанию возвращает WAV-аудиофайлы ( audio/wav / AUDIO_WAV ) со стандартным заголовком RIFF для унарных запросов.
   • Если в вашем коде ранее необработанные PCM-байты были упакованы в заголовок WAV (например, с помощью модуля wave в Python или ffmpeg ), удалите эту ручную упаковку заголовка и запишите полученные байты непосредственно в файл .wav .
   • Если ваш конвейер обработки данных требует необработанного аудио в формате PCM, mu-law или A-law без заголовка, явно установите response_format в значение "audio/l16" ( "AUDIO_L16" ), "audio/mulaw" ( "AUDIO_MULAW" ) или "audio/alaw" ( "AUDIO_ALAW" ). См. раздел "Форматы вывода аудио" .

gemini-3.8-flash-tts

Поддерживаемые языки

gemini-3.8-flash-tts detects the input language automatically and supports over 130 languages :

Gemini 3.8 Flash TTS ( gemini-3.8-flash-tts ) — это флагманская модель преобразования текста в речь от Google, разработанная для обеспечения студийного качества звука, выразительной игры актеров, аутентичных региональных акцентов и исключительной стабильности при многократных оборотах.

Overview and capabilities

Gemini 3.8 Flash TTS sets a new benchmark for expressive audio generation:

• Высокая акустическая точность и актерская тонкость: демонстрирует богатый эмоциональный диапазон, естественную интонацию и точное следование указаниям style и вокальным переходам ( <laugh> , <sigh> , <short pause> ).
• Long-form multi-turn stability: Maintains consistent voice identity, timbre, volume, and acoustic room tone across extended dialogues and multi-minute narrations without voice drift.
• Authentic regional accents and pronunciation: Supports regional accents and minority dialects.
• Полная поддержка голосовой экосистемы: бесперебойная работа с предустановленными голосами, расширенной библиотекой голосов ( GET /v1beta/voices ), пользовательскими профилями пользователей Voice и репликацией голосов (по умолчанию — постоянно сохраненные голоса, плюс дополнительные ключи без сохранения состояния). Вы также можете создавать и реплицировать голоса в интерактивном режиме в Google AI Studio .

Visit the Text-to-speech guide for full coverage of features, prompting best practices, and code examples.

When to use which TTS model

Обе модели Gemini 3.8 TTS используют одну и ту же схему API и структуру подсказок. Выберите модель, которая подходит для вашей рабочей нагрузки:

Руководство по миграции

Если вы переходите с gemini-3.1-flash-tts-preview или более ранних моделей Gemini TTS, обновите свои запросы для схемы Gemini 3.8 TTS:

1. Переместите указания уровня реплики в speech_metadata : Gemini 3.8 TTS обрабатывает входной текст строго как дословную расшифровку. Встроенные текстовые указания, такие как "Say cheerfully: Hello!" или "Speaker 1: Hello!" могут быть произнесены вслух. Переместите инструкции по продолжительной подаче речи ( style ) и метки говорящего ( speaker ) в структурированные метаданные:
   • API для взаимодействия: Добавьте к каждому блоку текстового содержимого аннотацию, содержащую параметры "type": "speech_metadata" , "speaker" и "style" .
   • GenerateContent API: Attach "speech_metadata": {"speaker": "...", "style": "..."} to each part .
2. Используйте встроенные теги в угловых скобках только для отдельных голосовых событий: короткие неречевые вокализации и паузы следует размещать непосредственно в транскрипте с помощью угловых скобок (например, <laugh> , <sigh> , <cough> , <breath> или <short pause> ). Стили подачи, такие как шепот, следует указывать в файле speech_metadata.style .
3. Specify speaker on every turn in multi-speaker requests: Every turn in a multi-speaker request must explicitly include speaker inside speech_metadata matching one of the configured speakers.
4. Создавайте профили пользователей заранее с помощью проектирования голоса: замените устаревшие блоки «Аудиопрофиль / Заметки режиссера» пользовательским голосом, созданным в процессе проектирования голоса , а затем используйте этот идентификатор voice_... в запросах TTS с минимальными или пустыми строками style .
5. Учитывайте вывод WAV-файлов по умолчанию ( audio/wav ) при унарных запросах: в отличие от gemini-3.1-flash-tts-preview и более ранних моделей TTS (которые по умолчанию возвращали необработанный PCM audio/l16 без заголовка), Gemini 3.8 TTS по умолчанию возвращает WAV-аудиофайлы ( audio/wav / AUDIO_WAV ) со стандартным заголовком RIFF для унарных запросов.
   • Если в вашем коде ранее необработанные PCM-байты были упакованы в заголовок WAV (например, с помощью модуля wave в Python или ffmpeg ), удалите эту ручную упаковку заголовка и запишите полученные байты непосредственно в файл .wav .
   • Если ваш конвейер обработки данных требует необработанного аудио в формате PCM, mu-law или A-law без заголовка, явно установите response_format в значение "audio/l16" ( "AUDIO_L16" ), "audio/mulaw" ( "AUDIO_MULAW" ) или "audio/alaw" ( "AUDIO_ALAW" ). См. раздел "Форматы вывода аудио" .

gemini-3.8-flash-tts

Поддерживаемые языки

gemini-3.8-flash-tts автоматически определяет язык ввода и поддерживает более 130 языков :

Gemini 3.8 Flash TTS ( gemini-3.8-flash-tts ) — это флагманская модель преобразования текста в речь от Google, разработанная для обеспечения студийного качества звука, выразительной игры актеров, аутентичных региональных акцентов и исключительной стабильности при многократных оборотах.

Обзор и возможности

Gemini 3.8 Flash TTS устанавливает новый стандарт выразительного воспроизведения звука:

• Высокая акустическая точность и актерская тонкость: демонстрирует богатый эмоциональный диапазон, естественную интонацию и точное следование указаниям style и вокальным переходам ( <laugh> , <sigh> , <short pause> ).
• Стабильность звучания на протяжении длительных диалогов и многоминутных повествований: обеспечивает сохранение неизменной идентичности голоса, тембра, громкости и акустического тона помещения на протяжении продолжительных диалогов и многоминутных закадровых текстов без смещения голоса.
• Аутентичные региональные акценты и произношение: Поддержка региональных акцентов и диалектов меньшинств.
• Полная поддержка голосовой экосистемы: бесперебойная работа с предустановленными голосами, расширенной библиотекой голосов ( GET /v1beta/voices ), пользовательскими профилями пользователей Voice и репликацией голосов (по умолчанию — постоянно сохраненные голоса, плюс дополнительные ключи без сохранения состояния). Вы также можете создавать и реплицировать голоса в интерактивном режиме в Google AI Studio .

Для получения полной информации о функциях, лучших практиках использования подсказок и примерах кода посетите руководство по преобразованию текста в речь .

Когда использовать ту или иную модель синтеза речи

Обе модели Gemini 3.8 TTS используют одну и ту же схему API и структуру подсказок. Выберите модель, которая подходит для вашей рабочей нагрузки:

Руководство по миграции

Если вы переходите с gemini-3.1-flash-tts-preview или более ранних моделей Gemini TTS, обновите свои запросы для схемы Gemini 3.8 TTS:

1. Переместите указания уровня реплики в speech_metadata : Gemini 3.8 TTS обрабатывает входной текст строго как дословную расшифровку. Встроенные текстовые указания, такие как "Say cheerfully: Hello!" или "Speaker 1: Hello!" могут быть произнесены вслух. Переместите инструкции по продолжительной подаче речи ( style ) и метки говорящего ( speaker ) в структурированные метаданные:
   • API для взаимодействия: Добавьте к каждому блоку текстового содержимого аннотацию, содержащую параметры "type": "speech_metadata" , "speaker" и "style" .
   • GenerateContent API: Прикрепите "speech_metadata": {"speaker": "...", "style": "..."} к каждой part .
2. Используйте встроенные теги в угловых скобках только для отдельных голосовых событий: короткие неречевые вокализации и паузы следует размещать непосредственно в транскрипте с помощью угловых скобок (например, <laugh> , <sigh> , <cough> , <breath> или <short pause> ). Стили подачи, такие как шепот, следует указывать в файле speech_metadata.style .
3. В запросах с несколькими говорящими необходимо явно указывать speaker в каждом раунде: в каждом раунде запроса с несколькими говорящими необходимо явно указывать speaker в speech_metadata соответствующего одному из настроенных говорящих.
4. Создавайте профили пользователей заранее с помощью проектирования голоса: замените устаревшие блоки «Аудиопрофиль / Заметки режиссера» пользовательским голосом, созданным в процессе проектирования голоса , а затем используйте этот идентификатор voice_... в запросах TTS с минимальными или пустыми строками style .
5. Учитывайте вывод WAV-файлов по умолчанию ( audio/wav ) при унарных запросах: в отличие от gemini-3.1-flash-tts-preview и более ранних моделей TTS (которые по умолчанию возвращали необработанный PCM audio/l16 без заголовка), Gemini 3.8 TTS по умолчанию возвращает WAV-аудиофайлы ( audio/wav / AUDIO_WAV ) со стандартным заголовком RIFF для унарных запросов.
   • Если в вашем коде ранее необработанные PCM-байты были упакованы в заголовок WAV (например, с помощью модуля wave в Python или ffmpeg ), удалите эту ручную упаковку заголовка и запишите полученные байты непосредственно в файл .wav .
   • Если ваш конвейер обработки данных требует необработанного аудио в формате PCM, mu-law или A-law без заголовка, явно установите response_format в значение "audio/l16" ( "AUDIO_L16" ), "audio/mulaw" ( "AUDIO_MULAW" ) или "audio/alaw" ( "AUDIO_ALAW" ). См. раздел "Форматы вывода аудио" .

gemini-3.8-flash-tts

Поддерживаемые языки

gemini-3.8-flash-tts автоматически определяет язык ввода и поддерживает более 130 языков :

Gemini 3.8 Flash TTS ( gemini-3.8-flash-tts ) — это флагманская модель преобразования текста в речь от Google, разработанная для обеспечения студийного качества звука, выразительной игры актеров, аутентичных региональных акцентов и исключительной стабильности при многократных оборотах.

Overview and capabilities

Gemini 3.8 Flash TTS устанавливает новый стандарт выразительного воспроизведения звука:

• Высокая акустическая точность и актерская тонкость: демонстрирует богатый эмоциональный диапазон, естественную интонацию и точное следование указаниям style и вокальным переходам ( <laugh> , <sigh> , <short pause> ).
• Стабильность звучания на протяжении длительных диалогов и многоминутных повествований: обеспечивает сохранение неизменной идентичности голоса, тембра, громкости и акустического тона помещения на протяжении продолжительных диалогов и многоминутных закадровых текстов без смещения голоса.
• Аутентичные региональные акценты и произношение: Поддержка региональных акцентов и диалектов меньшинств.
• Полная поддержка голосовой экосистемы: бесперебойная работа с предустановленными голосами, расширенной библиотекой голосов ( GET /v1beta/voices ), пользовательскими профилями пользователей Voice и репликацией голосов (по умолчанию — постоянно сохраненные голоса, плюс дополнительные ключи без сохранения состояния). Вы также можете создавать и реплицировать голоса в интерактивном режиме в Google AI Studio .

Для получения полной информации о функциях, лучших практиках использования подсказок и примерах кода посетите руководство по преобразованию текста в речь .

When to use which TTS model

Обе модели Gemini 3.8 TTS используют одну и ту же схему API и структуру подсказок. Выберите модель, которая подходит для вашей рабочей нагрузки:

Руководство по миграции

Если вы переходите с gemini-3.1-flash-tts-preview или более ранних моделей Gemini TTS, обновите свои запросы для схемы Gemini 3.8 TTS:

1. Переместите указания уровня реплики в speech_metadata : Gemini 3.8 TTS обрабатывает входной текст строго как дословную расшифровку. Встроенные текстовые указания, такие как "Say cheerfully: Hello!" или "Speaker 1: Hello!" могут быть произнесены вслух. Переместите инструкции по продолжительной подаче речи ( style ) и метки говорящего ( speaker ) в структурированные метаданные:
   • API для взаимодействия: Добавьте к каждому блоку текстового содержимого аннотацию, содержащую параметры "type": "speech_metadata" , "speaker" и "style" .
   • GenerateContent API: Прикрепите "speech_metadata": {"speaker": "...", "style": "..."} к каждой part .
2. Используйте встроенные теги в угловых скобках только для отдельных голосовых событий: короткие неречевые вокализации и паузы следует размещать непосредственно в транскрипте с помощью угловых скобок (например, <laugh> , <sigh> , <cough> , <breath> или <short pause> ). Стили подачи, такие как шепот, следует указывать в файле speech_metadata.style .
3. В запросах с несколькими говорящими необходимо явно указывать speaker в каждом раунде: в каждом раунде запроса с несколькими говорящими необходимо явно указывать speaker в speech_metadata соответствующего одному из настроенных говорящих.
4. Создавайте профили пользователей заранее с помощью проектирования голоса: замените устаревшие блоки «Аудиопрофиль / Заметки режиссера» пользовательским голосом, созданным в процессе проектирования голоса , а затем используйте этот идентификатор voice_... в запросах TTS с минимальными или пустыми строками style .
5. Учитывайте вывод WAV-файлов по умолчанию ( audio/wav ) при унарных запросах: в отличие от gemini-3.1-flash-tts-preview и более ранних моделей TTS (которые по умолчанию возвращали необработанный PCM audio/l16 без заголовка), Gemini 3.8 TTS по умолчанию возвращает WAV-аудиофайлы ( audio/wav / AUDIO_WAV ) со стандартным заголовком RIFF для унарных запросов.
   • Если в вашем коде ранее необработанные PCM-байты были упакованы в заголовок WAV (например, с помощью модуля wave в Python или ffmpeg ), удалите эту ручную упаковку заголовка и запишите полученные байты непосредственно в файл .wav .
   • Если ваш конвейер обработки данных требует необработанного аудио в формате PCM, mu-law или A-law без заголовка, явно установите response_format в значение "audio/l16" ( "AUDIO_L16" ), "audio/mulaw" ( "AUDIO_MULAW" ) или "audio/alaw" ( "AUDIO_ALAW" ). См. раздел "Форматы вывода аудио" .

gemini-3.8-flash-tts

Поддерживаемые языки

gemini-3.8-flash-tts автоматически определяет язык ввода и поддерживает более 130 языков :