Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) مدل پرچم‌دار خلاقانه Google برای تبدیل نوشتار به گفتار است که برای وفاداری صدای استودیویی، بازیگری رسا، لهجه‌های اصیل منطقه‌ای، و پایداری چندنوبتی طولانی‌مدت طراحی شده است.
نمای کلی و قابلیت‌ها
Gemini 3.8 Flash TTS استاندارد جدیدی برای تولید صدای رسا تعیین می‌کند:
- وفاداری صوتی بالا و تفاوت‌های ظریف بازیگری: طیف وسیعی از احساسات غنی، آهنگ طبیعی، و پایبندی دقیق به دستورالعمل‌های سطح نوبت
styleو رویدادهای آوازی درون‌خطی (<laugh>،<sigh>،<short pause>) را ارائه می‌دهد. - پایداری چندنوبتی طولانی: هویت صوتی، زیروبم، میزان صدا، و آهنگ اتاق آکوستیک را در سراسر گفتگوهای طولانی و روایت‌های چند دقیقه‌ای بدون انحراف صدا حفظ می‌کند.
- لهجه‌ها و تلفظ‌های اصیل منطقه‌ای: از لهجه‌های منطقه‌ای و گویش‌های اقلیت پشتیبانی می‌کند.
- پشتیبانی کامل از بوم‌سازگان صدا: به‌طور یکپارچه با صداهای پیش‌ساخته،
«کتابخانه صوتی گسترده» (
GET /v1beta/voices)، شخصیت‌های سفارشی طراحی صدا، و تکثیر صدا (صداهای ذخیره‌شده پایدار به‌طور پیش‌فرض، به‌علاوه کلیدهای اختیاری بدون حالت) کار می‌کند. همچنین می‌توانید صداها را به‌صورت تعاملی در Google AI Studio طراحی و تکثیر کنید.
برای پوشش کامل ویژگی‌ها، روال‌های مطلوب پیام‌واره، و نمونه‌های کد، به راهنمای تبدیل نوشتار به گفتار مراجعه کنید.
چه زمانی از کدام مدل «نوشتار به گفتار» استفاده کنیم
هر دو مدل Gemini 3.8 TTS از طرحواره API و ساختار پیام‌واره یکسانی استفاده می‌کنند. مدلی را که مناسب حجم کاری‌تان است انتخاب کنید:
| ویژگی / بار کاری | Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) |
Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) |
|---|---|---|
| قدرت اصلی | حداکثر وفاداری صدا، تفاوت‌های ظریف بازیگری، و پوشش گویش | توان گذرداد بالا، تأخیر کم، و کارایی هزینه |
| بهترین موارد استفاده | کتاب‌های صوتی، روایت استودیویی، گفتگوی پیچیده چند بلندگو، بازیگری با انفجار آوازی سنگین، تلفظ دشوار، گویش‌های منطقه‌ای | تولید با حجم بالا، آبشارهای کارگزار صوتی هم‌زمان، ویژگی‌های بلندخوانی، شبیه‌سازی صدا، تولید تک‌بلندگوی روزمره |
| زبان‌های پشتیبانی‌شده | ۱۳۰ زبان | ۱۰۱ زبان |
| جایگزین توصیه‌شده برای | سطح خلاقانه پرچم‌دار جدید | gemini-3.1-flash-tts-preview |
راهنمای انتقال
اگر از مدل‌های gemini-3.1-flash-tts-preview یا قدیمی‌تر Gemini TTS
انتقال می‌دهید، درخواست‌هایتان را برای طرحواره Gemini 3.8 TTS به‌روز کنید:
- انتقال دستورالعمل‌های سطح گردش به
speech_metadata: «نوشتار به گفتار Gemini 3.8» با نوشتار ورودی دقیقاً مثل یک آوانویسی کلمه‌به‌کلمه رفتار می‌کند. دستورالعمل‌های نوشتاری درون‌خطی مثل"Say cheerfully: Hello!"یا"Speaker 1: Hello!"ممکن است با صدای بلند خوانده شوند. انتقال دستورالعمل‌های توزیع پایدار (style) و برچسب‌های گوینده (speaker) به فراداده ساختاریافته:- Interactions API: یک گزارمان با
"type": "speech_metadata"،"speaker"، و"style"به هر بلوک محتوای نوشتاری پیوست کنید. - GenerateContent API:
"speech_metadata": {"speaker": "...", "style": "..."}را به هرpartپیوست کنید.
- Interactions API: یک گزارمان با
- فقط برای رویدادهای صوتی لحظه‌ای از برچسب‌های درون‌خطی کروشه استفاده کنید: صداهای غیرگفتاری لحظه‌ای و وقفه‌ها را بااستفاده از کروشه (مانند
<laugh>،<sigh>،<cough>،<breath>، یا<short pause>) به‌صورت درون‌خطی در ترانویسی نگه دارید. سبک‌های ارائه مانند زمزمه کردن را درspeech_metadata.styleقرار دهید. - مشخص کردن
speakerدر هر نوبت در درخواست‌های چند بلندگو: هر نوبت در درخواست چند بلندگو باید به‌طور صریح شاملspeakerدرspeech_metadataباشد که با یکی از بلندگوهای پیکربندی‌شده مطابقت داشته باشد. - طراحی شخصیت‌های فرضی ازقبل با «طراحی صدا»: بلوک‌های قدیمی طولانی «نمایه صوتی» / «یادداشت‌های کارگردان» را با صدای سفارشی ساخته‌شده در طراحی صدا جایگزین کنید، سپس آن
voice_...شناسه را ازطریق درخواست‌های «تبدیل نوشتار به گفتار» با رشته‌هایstyleحداقل یا خالی منتقل کنید. - حساب برای برونداد پیش‌فرض WAV (
audio/wav) در درخواست‌های یک‌تایی: برخلافgemini-3.1-flash-tts-previewو مدل‌های قدیمی‌تر «نوشتار به گفتار» (که به‌طور پیش‌فرض PCM خام بدون سرایندaudio/l16برمی‌گرداندند)، Gemini 3.8 TTS برای درخواست‌های یک‌تایی به‌طور پیش‌فرض صدای WAV (audio/wav/AUDIO_WAV) با سرایند استاندارد RIFF برمی‌گرداند.- اگر کد شما قبلاً بایت‌های PCM خام را در سرصفحه WAV می‌پیچید (برای مثال، بااستفاده از واحد
waveیاffmpegدر Python)، بسته‌بندی سرصفحه دستی را بردارید و بایت‌های برگشتی را مستقیماً در فایل.wavبنویسید. - اگر خط لوله شما به صدای PCM خام بدون سرایند، mu-law، یا A-law نیاز دارد،
response_format.mime_typeرا به‌طور صریح روی"audio/l16"،"audio/mulaw"، یا"audio/alaw"تنظیم کنید (برای مثال،{"response_format": {"type": "audio", "mime_type": "audio/l16"}}در «میانای برنامه‌سازی کاربردی تعاملات»، یاAUDIO_L16،AUDIO_MULAW، یاAUDIO_ALAWدرgenerateContent). به قالب‌های برونداد صوتی مراجعه کنید.
- اگر کد شما قبلاً بایت‌های PCM خام را در سرصفحه WAV می‌پیچید (برای مثال، بااستفاده از واحد
gemini-3.8-flash-tts
| دارایی | شرح |
|---|---|
| کد مدل | gemini-3.8-flash-tts |
| انواع داده‌های پشتیبانی‌شده برای |
ورودی‌ها نوشتار برونداد صوتی |
| محدودیت‌های نشان[*] |
محدودیت داده‌واحد ورودی ۸٬۱۹۲ محدودیت داده‌واحد برونداد ۱۶۳۸۴ (حد ارائه Gemini API) |
| قابلیت‌ها | پشتیبانی‌شده پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود پشتیبانی نمی‌شود |
| گزینه‌های مصرف |
پشتیبانی‌شده پشتیبانی‌شده پشتیبانی‌شده |
| نسخه |
|
| آخرین به‌روزرسانی | سپتامبر ۲۰۲۶ |
زبان‌های پشتیبانی‌شده
gemini-3.8-flash-tts زبان ورودی را به‌طور خودکار تشخیص می‌دهد و از
بیش‌از ۱۳۰ زبان پشتیبانی می‌کند:
| زبان | زبان | زبان |
|---|---|---|
| آچه‌ای (الفبای عربی) | یونانی | نپالی (زبان مستقل) |
| آفریکانس | گورانی | فولانی نیجریه |
| آکان | گجراتی | آذربایجانی شمالی |
| آمهاریک | کریول هائیتی | سوتوی شمالی |
| ارمنی | مغولی خلخ | ازبکی شمالی |
| آسامی | هوسایی | بوکسمال نروژی |
| اودهی | عبری | نروژی (نینورسک) |
| بالیایی | هندی | نیانجا |
| بنگالی | مجارستانی | اوسیتان |
| بنجری (الفبای عربی) | ایسلندی | اودیا (زبان فردی) |
| بنجری (الفبای لاتین) | ایگبو | پانگاسینانی |
| باشقیری | ایلوکو | فارسی (افغانستان) |
| باسک | اندونزیایی | لهستانی |
| Belarusian | فارسی ایرانی | پرتغالی |
| بمبا | ایتالیایی | پنجابی |
| بوجپوری | ژاپنی | رومانیایی |
| بوسنیایی | جاوه‌ای | روسی |
| بوگیایی | کابیل | سنتالی |
| بلغاری | کامبا | صربی |
| برمه‌ای | کنادا | سیندهی |
| کانتونی | کشمیری (الفبای عربی) | سینهالی |
| کاتالان | کشمیری (خط دیواناگری) | اسلوواک |
| سبوانو | قزاقی | Slovenian |
| کردی میانی | خمر | سومالی |
| چتیسگری | کیکویو | آذربایجانی جنوبی |
| چینی (خط هان) | کینیارواندایی | پشتو جنوبی |
| چینی (خط سنتی) | کنگو | سوتویی جنوبی |
| تاتاری کریمه | کره‌ای | اسپانیایی |
| کرواتی | قرقیزی | عربی معیار (الفبای عربی) |
| چک | لائوسی | عربی معیار (الفبای لاتین) |
| دانمارکی | لاتگالی | لتونیایی استاندارد |
| هلندی | لینگالا | مالایی استاندارد |
| دیولا | لیتوانیایی | سواحیلی (زبان فردی) |
| دزونگخا | لوگزامبورگی | سواتی |
| عربی مصری | مقدونی | سوئدی |
| انگلیسی | ماگهی | تاجیکی |
| استونیایی | مایتهیلی | تامیل |
| فیلیپینی | مالایالام | تلوگو |
| فنلاندی | مالتی | تایلندی |
| فرانسوی | مانیپوری | تیگرینیا |
| گالیسی | ماراتی | توسک آلبانیایی |
| گاندا | مینانگ‌کابو (الفبای عربی) | ترکی |
| گرجستانی | مینانگ‌کابو (الفبای لاتین) | اویغوری |
| آلمانی | میزو | ویتنامی |