Gemini 3.8 Flash TTS

‫Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) הוא מודל הדגל של Google ליצירת דיבור מתוך טקסט, שנועד ליצור דיבור באיכות סטודיו, עם משחק קולי משכנע, מבטאים אזוריים אותנטיים ויציבות גבוהה בשיחות ארוכות.

סקירה כללית ויכולות

‫Gemini 3.8 Flash TTS קובע סטנדרט חדש ליצירת אודיו עם הבעה:

• נאמנות אקוסטית גבוהה וניואנסים במשחק: מפיק מגוון רגשי עשיר, קצב טבעי והקפדה מדויקת על הוראות ברמת התור styleועל אירועים קוליים מוטבעים (<laugh>, <sigh>, <short pause>).
• יציבות בשיחות ארוכות עם כמה תורות דיבור: שמירה על זהות קולית עקבית, גוון קול, עוצמת קול וטון אקוסטי של החדר לאורך דיאלוגים ארוכים וקריינות של כמה דקות, בלי שהקול ישתנה.
• מבטא והגייה אזוריים אותנטיים: תמיכה במבטאים אזוריים ובניבים של מיעוטים.
• תמיכה מלאה במערכת אקולוגית של קולות: פועל בצורה חלקה עם קולות מוכנים מראש, עם ספריית הקולות המורחבת (GET /v1beta/voices), עם פרסונות של עיצוב קול בהתאמה אישית ועם שכפול קול (קולות מאוחסנים קבועים כברירת מחדל, בנוסף למפתחות אופציונליים ללא מצב). אתם יכולים גם לעצב ולשכפל קולות באופן אינטראקטיבי ב-Google AI Studio.

במדריך המרת טקסט לדיבור יש מידע מפורט על התכונות, שיטות מומלצות לכתיבת הנחיות ודוגמאות קוד.

מתי כדאי להשתמש באיזה מודל TTS

לשני מודלי ה-TTS של Gemini 3.8 יש את אותה סכימת API ואותו מבנה של הנחיות. בוחרים את המודל שמתאים לעומס העבודה:

מדריך להעברת נתונים (מיגרציה)

אם אתם מבצעים מיגרציה מ-gemini-3.1-flash-tts-preview או מגרסאות קודמות של Gemini TTS, אתם צריכים לעדכן את הבקשות שלכם לסכימה של Gemini 3.8 TTS:

1. העברת הוראות ברמת הפנייה ל-speech_metadata: Gemini 3.8 TTS מתייחס לטקסט הקלט כאל תמליל מילולי בלבד. יכול להיות שהוראות טקסט מוטבעות כמו "Say cheerfully: Hello!" או "Speaker 1: Hello!" יוקראו בקול. העברת הוראות להפצה מתמשכת (style) ותוויות לזיהוי דוברים (speaker) למטא-נתונים מובְנים:
   • ‫Interactions API: מצרפים הערה עם "type": "speech_metadata",‏ "speaker" ו-"style" לכל בלוק של תוכן טקסט.
   • ‫GenerateContent API: מצרפים את "speech_metadata": {"speaker": "...", "style": "..."} לכל part.
2. משתמשים בתגי שורה עם סוגריים זוויתיים רק לאירועים קוליים בנקודת זמן מסוימת: משתמשים בסוגריים זוויתיים (כמו <laugh>, <sigh>, <cough>, <breath> או <short pause>) כדי לציין בתוך התמליל הפסקות וקולות רגעיים שאינם דיבור. משתמשים בסוגריים זוויתיים speech_metadata.style כדי לציין סגנונות דיבור כמו לחישה.
3. ציון speaker בכל תור בבקשות עם כמה דוברים: כל תור בבקשה עם כמה דוברים חייב לכלול באופן מפורש את speaker בתוך speech_metadata שתואם לאחד מהדוברים שהוגדרו.
4. עיצוב פרסונות מראש באמצעות עיצוב קול: מחליפים בלוקים ארוכים של פרופיל אודיו או הערות של במאי בקול מותאם אישית שנוצר בעיצוב קול, ואז מעבירים את מזהה voice_... הזה דרך בקשות ה-TTS עם מחרוזות style מינימליות או ריקות.
5. הסבר על פלט WAV (audio/wav) שמוגדר כברירת מחדל בבקשות unary: בניגוד למודלים של TTS מגרסה gemini-3.1-flash-tts-preview ומגרסאות קודמות (שבהם הוחזר PCM גולמי ללא כותרת audio/l16 כברירת מחדל), מודל Gemini 3.8 TTS מחזיר אודיו בפורמט WAV ‏(audio/wav / AUDIO_WAV) עם כותרת RIFF רגילה כברירת מחדל לבקשות unary.
   • אם הקוד שלכם עטף בעבר בייטים של PCM גולמיים בכותרת WAV (לדוגמה, באמצעות מודול wave של Python או ffmpeg), צריך להסיר את העטיפה הידנית של הכותרת ולכתוב את הבייטים שהוחזרו ישירות לקובץ .wav.
   • אם צינור עיבוד הנתונים שלכם דורש אודיו בפורמט PCM,‏ mu-law או A-law ללא כותרת, צריך להגדיר במפורש את response_format.mime_type ל-"audio/l16",‏ "audio/mulaw" או "audio/alaw" (לדוגמה, {"response_format": {"type": "audio", "mime_type": "audio/l16"}} ב-Interactions API, או AUDIO_L16,‏ AUDIO_MULAW או AUDIO_ALAW ב-generateContent). מידע נוסף זמין במאמר בנושא פורמטים של פלט אודיו.

gemini-3.8-flash-tts

שפות נתמכות

‫gemini-3.8-flash-tts מזהה אוטומטית את שפת הקלט ותומך ביותר מ-130 שפות: