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.

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 аудиоформата PCM, mu-law или A-law без заголовка, явно установите response_format.mime_type в значение "audio/l16" , "audio/mulaw" или "audio/alaw" (например, {"response_format": {"type": "audio", "mime_type": "audio/l16"}} в API взаимодействий или AUDIO_L16 , AUDIO_MULAW или AUDIO_ALAW в generateContent ). См. раздел «Форматы аудиовыхода» .

gemini-3.8-flash-tts

Поддерживаемые языки

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