Gemini 3.8 Flash TTS

Gemini 3.8 Flash TTS (gemini-3.8-flash-tts), Google का फ़्लैगशिप क्रिएटिव लिखे गए शब्दों को सुनने की सुविधा मॉडल है. इसे स्टूडियो-ग्रेड की आवाज़, शानदार एक्टिंग, स्थानीय लहजे, और लंबी सिलसिलेवार बातचीत के दौरान स्थिरता बनाए रखने के लिए बनाया गया है.

खास जानकारी और सुविधाएं

Gemini 3.8 Flash टीटीएस, भावनात्मक ऑडियो जनरेट करने के लिए एक नया बेंचमार्क सेट करता है:

• आवाज़ की क्वालिटी और ऐक्टिंग की बारीकियां: इसमें भावनाएं ज़ाहिर करने के लिए अलग-अलग तरह के शब्दों का इस्तेमाल किया जाता है. साथ ही, बोलने का तरीका स्वाभाविक होता है. इसमें बारीकी से यह ध्यान रखा जाता है कि style लेवल के निर्देशों और इनलाइन वोकल इवेंट (<laugh>, <sigh>, <short pause>) का सही तरीके से पालन किया जाए.
• लंबे समय तक चलने वाली बातचीत में आवाज़ की स्थिरता: इसमें आवाज़ की पहचान, टोन, वॉल्यूम, और कमरे के ऐकोस्टिक टोन को लंबे डायलॉग और कई मिनट तक चलने वाले नरेशन में एक जैसा रखा जाता है. साथ ही, आवाज़ में बदलाव नहीं होता.
• क्षेत्रीय लहजे और उच्चारण का सटीक होना: इसमें क्षेत्रीय लहजे और अल्पसंख्यक बोलियों का इस्तेमाल किया जाता है.
• आवाज़ से जुड़े पूरे ईकोसिस्टम के साथ काम करता है: यह पहले से मौजूद आवाज़ों, एक्सटेंडेड वॉइस लाइब्रेरी (GET /v1beta/voices), कस्टम वॉइस डिज़ाइन पर्सोना, और वॉइस रेप्लिकेशन (डिफ़ॉल्ट रूप से सेव की गई आवाज़ें और बिना स्टेटस वाली कुंजियां) के साथ आसानी से काम करता है. Google AI Studio में, आवाज़ों को इंटरैक्टिव तरीके से डिज़ाइन और कॉपी भी किया जा सकता है.

सुविधाओं, प्रॉम्प्ट लिखने के सबसे सही तरीकों, और कोड के उदाहरणों के बारे में पूरी जानकारी पाने के लिए, टेक्स्ट को आवाज़ में बदलने की सुविधा वाली गाइड देखें.

किस टीटीएस मॉडल का इस्तेमाल कब करना चाहिए

Gemini 3.8 के दोनों टीटीएस मॉडल, एक ही एपीआई स्कीमा और प्रॉम्प्टिंग स्ट्रक्चर का इस्तेमाल करते हैं. अपने वर्कलोड के हिसाब से मॉडल चुनें:

माइग्रेशन गाइड

अगर आपको gemini-3.1-flash-tts-preview या इससे पहले के Gemini टीटीएस मॉडल से माइग्रेट करना है, तो Gemini 3.8 टीटीएस स्कीमा के लिए अपने अनुरोधों को अपडेट करें:

1. मोड़ के हिसाब से निर्देशों को speech_metadata में ले जाएं: Gemini 3.8 टीटीएस, इनपुट किए गए टेक्स्ट को हूबहू ट्रांसक्रिप्ट के तौर पर लेता है. "Say cheerfully: Hello!" या "Speaker 1: Hello!" जैसे इनलाइन टेक्स्ट निर्देशों को तेज़ आवाज़ में सुनाया जा सकता है. लगातार डिलीवरी से जुड़े निर्देशों (style) और स्पीकर लेबल (speaker) को स्ट्रक्चर्ड मेटाडेटा में ले जाएं:
   • Interactions API: हर टेक्स्ट कॉन्टेंट ब्लॉक में "type": "speech_metadata", "speaker", और "style" के साथ एनोटेशन अटैच करें.
   • GenerateContent API: हर part में "speech_metadata": {"speaker": "...", "style": "..."} अटैच करें.
2. सिर्फ़ कुछ समय के लिए होने वाली आवाज़ से जुड़ी घटनाओं के लिए, ऐंगल-ब्रैकेट वाले इनलाइन टैग इस्तेमाल करें: कुछ समय के लिए होने वाली आवाज़ और पॉज़ को ट्रांसक्रिप्ट में इनलाइन रखें. इसके लिए, ऐंगल ब्रैकेट (जैसे कि <laugh>, <sigh>, <cough>, <breath> या <short pause>) का इस्तेमाल करें. बोलने के तरीके, जैसे कि फुसफुसाना, speech_metadata.style में रखें.
3. एक से ज़्यादा स्पीकर वाले अनुरोधों में, हर बार speaker तय करें: एक से ज़्यादा स्पीकर वाले अनुरोध में, हर बार speech_metadata के अंदर speaker को साफ़ तौर पर शामिल किया जाना चाहिए. यह, कॉन्फ़िगर किए गए स्पीकर में से किसी एक से मेल खाना चाहिए.
4. वॉइस डिज़ाइन की मदद से, पहले से ही पर्सोना डिज़ाइन करना: ऑडियो प्रोफ़ाइल / डायरेक्टर के नोट वाले लंबे लेगसी ब्लॉक को वॉइस डिज़ाइन में बनाई गई कस्टम आवाज़ से बदलें. इसके बाद, टीटीएस के अनुरोधों में voice_... आईडी को कम से कम या खाली style स्ट्रिंग के साथ इस्तेमाल करें.
5. एकल अनुरोधों पर डिफ़ॉल्ट WAV (audio/wav) आउटपुट के लिए खाता: gemini-3.1-flash-tts-preview और टीटीएस के पुराने मॉडल (जो डिफ़ॉल्ट रूप से हेडरलेस रॉ पीसीएम audio/l16 दिखाते थे) के उलट, Gemini 3.8 टीटीएस, एकल अनुरोधों के लिए डिफ़ॉल्ट रूप से स्टैंडर्ड RIFF हेडर के साथ WAV ऑडियो (audio/wav / AUDIO_WAV) दिखाता है.
   • अगर आपके कोड में पहले रॉ पीसीएम बाइट को WAV हेडर में रैप किया गया था (उदाहरण के लिए, Python के wave मॉड्यूल या ffmpeg का इस्तेमाल करके), तो मैन्युअल हेडर रैपर को हटाएं और लौटाए गए बाइट को सीधे .wav फ़ाइल में लिखें.
   • अगर आपकी पाइपलाइन को हेडरलेस रॉ पीसीएम, म्यू-लॉ या ए-लॉ ऑडियो की ज़रूरत है, तो response_format.mime_type को "audio/l16", "audio/mulaw" या "audio/alaw" पर सेट करें. उदाहरण के लिए, Interactions API में {"response_format": {"type": "audio", "mime_type": "audio/l16"}} या generateContent में AUDIO_L16, AUDIO_MULAW या AUDIO_ALAW. ऑडियो आउटपुट फ़ॉर्मैट देखें.

gemini-3.8-flash-tts

इस्तेमाल की जा सकने वाली भाषाएं

gemini-3.8-flash-tts इनपुट की भाषा का अपने-आप पता लगाता है और 130 से ज़्यादा भाषाओं में काम करता है: