Gemini 3.8 Flash TTS

Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) là mô hình chuyển văn bản sang lời nói sáng tạo hàng đầu của Google, được thiết kế để mang đến giọng nói chân thực như trong phòng thu, khả năng diễn đạt biểu cảm, giọng địa phương chân thực và độ ổn định cao khi thực hiện nhiều lượt tương tác dài.

Tổng quan và các chức năng

Công nghệ TTS Gemini 3.8 Flash đặt ra một tiêu chuẩn mới cho việc tạo âm thanh giàu biểu cảm:

• Độ trung thực cao về âm thanh và sắc thái diễn xuất: Truyền tải nhiều cảm xúc, nhịp điệu tự nhiên và tuân thủ chính xác các chỉ dẫn ở cấp độ lượt lời style và các sự kiện thoại nội tuyến (<laugh>, <sigh>, <short pause>).
• Tính ổn định của nhiều lượt tương tác dài: Duy trì giọng nói, âm sắc, âm lượng và âm thanh phòng nhất quán trong các đoạn hội thoại dài và lời tường thuật kéo dài nhiều phút mà không bị lệch giọng.
• Chất giọng và cách phát âm bản địa chân thực: Hỗ trợ chất giọng bản địa và phương ngữ của các nhóm thiểu số.
• Hỗ trợ đầy đủ hệ sinh thái giọng nói: Hoạt động liền mạch với các giọng nói được tạo sẵn, Thư viện giọng nói mở rộng (GET /v1beta/voices), các nhân vật Thiết kế giọng nói tuỳ chỉnh và tính năng Sao chép giọng nói (theo mặc định, các giọng nói được lưu trữ liên tục, cộng với các khoá không trạng thái không bắt buộc). Bạn cũng có thể thiết kế và sao chép giọng nói một cách tương tác trong Google AI Studio.

Hãy tham khảo hướng dẫn về tính năng Chuyển văn bản sang lời nói để biết thông tin đầy đủ về các tính năng, các phương pháp hay nhất để đưa ra lời nhắc và ví dụ về mã.

Trường hợp nên sử dụng mô hình TTS nào

Cả hai mô hình TTS Gemini 3.8 đều dùng chung một lược đồ API và cấu trúc câu lệnh. Chọn mô hình phù hợp với khối lượng công việc của bạn:

Hướng dẫn di chuyển

Nếu bạn đang di chuyển từ gemini-3.1-flash-tts-preview hoặc các mô hình TTS Gemini cũ hơn, hãy cập nhật các yêu cầu của bạn đối với giản đồ TTS Gemini 3.8:

1. Di chuyển chỉ dẫn theo từng lượt vào speech_metadata: TTS Gemini 3.8 coi văn bản đầu vào hoàn toàn là bản chép lời nguyên văn. Các chỉ dẫn bằng văn bản nội tuyến như "Say cheerfully: Hello!" hoặc "Speaker 1: Hello!" có thể được đọc to. Di chuyển chỉ dẫn phân phối liên tục (style) và nhãn người nói (speaker) vào siêu dữ liệu có cấu trúc:
   • Interactions API: Đính kèm chú thích bằng "type": "speech_metadata", "speaker" và "style" vào từng khối nội dung văn bản.
   • GenerateContent API: Đính kèm "speech_metadata": {"speaker": "...", "style": "..."} vào mỗi part.
2. Chỉ sử dụng thẻ nội tuyến dấu ngoặc nhọn cho các sự kiện thoại tại một thời điểm: Giữ các đoạn ngắt giọng và đoạn tạm dừng không phải lời nói trong bản chép lời bằng dấu ngoặc nhọn (chẳng hạn như <laugh>, <sigh>, <cough>, <breath> hoặc <short pause>). Đặt các kiểu truyền đạt như thì thầm trong speech_metadata.style.
3. Chỉ định speaker ở mỗi lượt trong yêu cầu có nhiều người nói: Mỗi lượt trong yêu cầu có nhiều người nói phải bao gồm rõ ràng speaker bên trong speech_metadata khớp với một trong những người nói đã định cấu hình.
4. Thiết kế nhân vật ngay từ đầu bằng tính năng Thiết kế giọng nói: Thay thế các khối Hồ sơ âm thanh / Ghi chú của đạo diễn cũ bằng giọng nói tuỳ chỉnh được tạo trong Thiết kế giọng nói, sau đó truyền mã nhận dạng voice_... đó qua các yêu cầu TTS của bạn với chuỗi style tối thiểu hoặc trống.
5. Tính đến đầu ra WAV (audio/wav) mặc định cho các yêu cầu đơn phương: Không giống như các mô hình TTS gemini-3.1-flash-tts-preview trở về trước (trả về PCM thô không có tiêu đề audio/l16 theo mặc định), Gemini 3.8 TTS trả về âm thanh WAV (audio/wav / AUDIO_WAV) có tiêu đề RIFF tiêu chuẩn theo mặc định cho các yêu cầu đơn phương.
   • Nếu trước đây mã của bạn đã bao bọc các byte PCM thô trong một tiêu đề WAV (ví dụ: sử dụng mô-đun wave của Python hoặc ffmpeg), hãy xoá trình bao bọc tiêu đề theo cách thủ công và ghi trực tiếp các byte được trả về vào tệp .wav.
   • Nếu quy trình của bạn yêu cầu âm thanh PCM thô không có tiêu đề, mu-law hoặc A-law, hãy đặt rõ ràng response_format thành "audio/l16" ("AUDIO_L16"), "audio/mulaw" ("AUDIO_MULAW") hoặc "audio/alaw" ("AUDIO_ALAW"). Hãy xem Các định dạng đầu ra âm thanh.

gemini-3.8-flash-tts

Ngôn ngữ được hỗ trợ

gemini-3.8-flash-tts tự động phát hiện ngôn ngữ nhập và hỗ trợ 130 ngôn ngữ: