Gemini 3.8 Flash TTS

Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) adalah model text-to-speech kreatif unggulan Google, yang dirancang untuk menghasilkan kualitas suara setara studio, akting yang ekspresif, aksen regional yang autentik, dan stabilitas multi-turn bentuk panjang yang sangat andal.

Ringkasan dan kemampuan

Gemini 3.8 Flash TTS menetapkan tolok ukur baru untuk pembuatan audio ekspresif:

• Fidelitas akustik tinggi dan nuansa akting: Menghasilkan rentang emosi yang kaya, irama alami, dan kepatuhan yang tepat terhadap petunjuk tingkat giliran style dan peristiwa vokal inline (<laugh>, <sigh>, <short pause>).
• Stabilitas multi-giliran panjang: Mempertahankan identitas suara, timbre, volume, dan nada ruang akustik yang konsisten di seluruh dialog yang panjang dan narasi multi-menit tanpa pergeseran suara.
• Aksen dan pengucapan regional yang autentik: Mendukung aksen regional, dialek minoritas, dan penggantian Alfabet Fonetik Internasional (IPA) inline.
• Dukungan ekosistem suara penuh: Berfungsi lancar dengan suara bawaan, Extended Voice Library (GET /v1beta/voices), persona Desain suara kustom, dan Replikasi suara (suara yang disimpan secara persisten secara default, ditambah kunci stateless opsional). Anda juga dapat mendesain dan mereplikasi suara secara interaktif di Google AI Studio.

Buka panduan Text-to-speech untuk mengetahui cakupan lengkap fitur, praktik terbaik perintah, dan contoh kode.

Kapan harus menggunakan model TTS yang mana

Kedua model TTS Gemini 3.8 memiliki skema API dan struktur perintah yang sama. Pilih model yang sesuai dengan beban kerja Anda:

Panduan migrasi

Jika Anda melakukan migrasi dari model Gemini TTS gemini-3.1-flash-tts-preview atau yang lebih lama, perbarui permintaan Anda untuk skema Gemini 3.8 TTS:

1. Memindahkan petunjuk tingkat belokan ke speech_metadata: Gemini 3.8 TTS memperlakukan teks input secara ketat sebagai transkrip kata demi kata. Petunjuk teks inline seperti "Say cheerfully: Hello!" atau "Speaker 1: Hello!" dapat diucapkan. Memindahkan petunjuk pengiriman berkelanjutan (style) dan label pembicara (speaker) ke dalam metadata terstruktur:
   • Interactions API: Lampirkan anotasi dengan "type": "speech_metadata", "speaker", dan "style" ke setiap blok konten teks.
   • GenerateContent API: Lampirkan "speech_metadata": {"speaker": "...", "style": "..."} ke setiap part.
2. Gunakan tag inline tanda kurung sudut hanya untuk peristiwa vokal pada satu titik waktu: Pertahankan vokalisasi dan jeda non-ucapan sesaat dalam transkrip menggunakan tanda kurung sudut (seperti <laugh>, <sigh>, <cough>, <breath>, atau <short pause>). Masukkan gaya penyampaian seperti berbisik dalam speech_metadata.style.
3. Tentukan speaker di setiap giliran dalam permintaan multi-pembicara: Setiap giliran dalam permintaan multi-pembicara harus secara eksplisit menyertakan speaker di dalam speech_metadata yang cocok dengan salah satu pembicara yang dikonfigurasi.
4. Desain persona di awal dengan Desain suara: Ganti blok Audio Profile / Director's Notes lama yang panjang dengan suara kustom yang dibuat di Desain suara, lalu bawa ID voice_... tersebut melalui permintaan TTS Anda dengan string style yang minimal atau kosong.
5. Memperhitungkan output WAV (audio/wav) default pada permintaan unary: Tidak seperti model TTS gemini-3.1-flash-tts-preview dan yang lebih lama (yang menampilkan PCM mentah tanpa header audio/l16 secara default), Gemini 3.8 TTS menampilkan audio WAV (audio/wav / AUDIO_WAV) dengan header RIFF standar secara default untuk permintaan unary.
   • Jika kode Anda sebelumnya membungkus byte PCM mentah dalam header WAV (misalnya, menggunakan modul wave Python atau ffmpeg), hapus pembungkus header manual dan tulis byte yang ditampilkan langsung ke file .wav.
   • Jika pipeline Anda memerlukan audio PCM mentah tanpa header, mu-law, atau A-law, tetapkan response_format secara eksplisit ke "audio/l16" ("AUDIO_L16"), "audio/mulaw" ("AUDIO_MULAW"), atau "audio/alaw" ("AUDIO_ALAW"). Lihat Format output audio.

gemini-3.8-flash-tts

Bahasa yang didukung

gemini-3.8-flash-tts mendeteksi bahasa input secara otomatis dan mendukung 130 bahasa: