Gemini 3.8 Flash TTS

Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) হল Google-এর ফ্ল্যাগশিপ ক্রিয়েটিভ টেক্সট-টু-স্পিচ মডেল, যা স্টুডিও-গ্রেড ভয়েস ফিডেলিটি, ভাবপূর্ণ অভিনয়, খাঁটি আঞ্চলিক উচ্চারণ এবং অত্যন্ত নির্ভরযোগ্য লং-ফর্ম মাল্টি-টার্ন স্টেবিলিটির জন্য ডিজাইন করা হয়েছে।

ওভারভিউ ও ক্ষমতা

Gemini 3.8 Flash TTS, এক্সপ্রেসিভ অডিও জেনারেশনের জন্য একটি নতুন বেঞ্চমার্ক সেট করে:

• উচ্চ অ্যাকোস্টিক ফিডেলিটি ও অভিনয় সংক্রান্ত সূক্ষ্মতা: আবেগগত পরিসর, স্বাভাবিক ক্যাডেন্স ও টার্ন-লেভেল style নির্দেশাবলী ও ইনলাইন ভোকাল ইভেন্ট (<laugh>, <sigh>, <short pause>) পুঙ্খানুপুঙ্খভাবে মেনে চলে।
• দীর্ঘ কথোপকথনে একাধিকবার স্থিতিশীলতা: দীর্ঘ কথোপকথন ও একাধিক মিনিটের বর্ণনা জুড়ে একই ভয়েস আইডেন্টিটি, টিমব্রে, ভলিউম ও অ্যাকোস্টিক রুম টোন বজায় রাখে।
• আঞ্চলিক উচ্চারণ ও অ্যাকসেন্ট: আঞ্চলিক উচ্চারণ ও সংখ্যালঘু উপভাষা সমর্থন করে।
• সম্পূর্ণ ভয়েস ইকোসিস্টেম সাপোর্ট: আগে থেকে তৈরি ভয়েস, এক্সটেন্ডেড ভয়েস লাইব্রেরি (GET /v1beta/voices), কাস্টম ভয়েস ডিজাইন পার্সোনা এবং ভয়েস রেপ্লিকেশন (ডিফল্ট হিসেবে সেভ করা ভয়েস, সাথে ঐচ্ছিক স্টেটলেস কী) সহ নির্বিঘ্নে কাজ করে। এছাড়াও, আপনি ইন্ট্যার‍্যাক্টিভ পদ্ধতিতে Google AI Studio-তে ভয়েস ডিজাইন ও রেপ্লিকেট করতে পারবেন।

ফিচার, পেশাদার পদ্ধতি ও কোড সংক্রান্ত উদাহরণের সম্পূর্ণ কভারেজ পেতে, টেক্সট-টু-স্পিচ গাইড দেখুন।

কোন TTS মডেল কখন ব্যবহার করতে হবে

Gemini 3.8 TTS মডেল দুটির API স্কিমা ও প্রম্পটিং স্ট্রাকচার একই। আপনার কাজের চাপের সাথে মানানসই মডেল বেছে নিন:

ফিচার / ওয়ার্কলোড	Gemini 3.8 Flash TTS (gemini-3.8-flash-tts)	Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts)
প্রাথমিক স্ট্রেন্থ	সর্বাধিক ভয়েস ফিডেলিটি, অ্যাক্টিংয়ের সূক্ষ্মতা এবং উপভাষা কভারেজ	হাই থ্রুপুট, লো লেটেন্সি ও খরচ সাশ্রয়ী
ব্যবহারের সেরা ক্ষেত্র	অডিওবুক, স্টুডিওতে বর্ণনা, একাধিক বক্তার জটিল সংলাপ, উচ্চস্বরে অভিনয়, কঠিন উচ্চারণ, আঞ্চলিক উপভাষা	হাই-ভলিউম প্রোডাকশন, রিয়েল-টাইম ভয়েস এজেন্ট ক্যাসকেড, রিড-অ্যালং ফিচার, ভয়েস রেপ্লিকেশন, প্রতিদিনের সিঙ্গেল-স্পিকার জেনারেশন
মানানসই ভাষা	১৩০টি ভাষা	১০১টি ভাষা
এর বদলে এটি ব্যবহার করার সাজেশন দেওয়া হয়েছে	নতুন ফ্ল্যাগশিপ ক্রিয়েটিভ টিয়ার	gemini-3.1-flash-tts-preview

মাইগ্রেশন গাইড

আপনি যদি gemini-3.1-flash-tts-preview বা এর আগের Gemini TTS মডেল থেকে মাইগ্রেট করে থাকেন, তাহলে Gemini 3.8 TTS স্কিমার জন্য আপনার অনুরোধ আপডেট করুন:

1. টার্ন-লেভেল নির্দেশাবলী speech_metadata-এ সরান: Gemini 3.8 TTS ইনপুট টেক্সটকে হুবহু ট্রান্সক্রিপ্ট হিসেবে বিবেচনা করে। ইনলাইন টেক্সট নির্দেশাবলী যেমন "Say cheerfully: Hello!" বা "Speaker 1: Hello!" জোরে পড়া হতে পারে। সাস্টেনড ডেলিভারি সংক্রান্ত নির্দেশাবলী (style) ও স্পিকার লেবেল (speaker) স্ট্রাকচার্ড মেটাডেটায় সরান:
   • Interactions API: প্রতিটি টেক্সট কন্টেন্ট ব্লকের সাথে "type": "speech_metadata", "speaker" ও "style" অ্যাটাচ করুন।
   • GenerateContent API: প্রতিটি part-এর সাথে "speech_metadata": {"speaker": "...", "style": "..."} অ্যাটাচ করুন।
2. নির্দিষ্ট সময়ের মধ্যে হওয়া ভোকাল ইভেন্টের জন্য শুধু অ্যাঙ্গেল-ব্র্যাকেট ইনলাইন ট্যাগ ব্যবহার করুন: ক্ষণস্থায়ী বাক-বহির্ভূত ভোকাল অ্যাক্টিভিটি ও বিরতি অ্যাঙ্গেল-ব্র্যাকেট (যেমন, <laugh>, <sigh>, <cough>, <breath> বা <short pause>) ব্যবহার করে ট্রান্সক্রিপ্টে ইনলাইন রাখুন। ফিসফিস করে কথা বলার মতো ডেলিভারি স্টাইল speech_metadata.style-এর মধ্যে রাখুন।
3. একাধিক স্পিকারের অনুরোধে প্রতিটি ধাপে speaker উল্লেখ করুন: একাধিক স্পিকারের অনুরোধের প্রতিটি ধাপে কনফিগার করা স্পিকারের সাথে ম্যাচ করা speaker অবশ্যই speech_metadata স্পষ্টভাবে উল্লেখ করতে হবে।
4. ভয়েস ডিজাইন দিয়ে আগে থেকেই পার্সোনা ডিজাইন করুন: ভয়েস ডিজাইন-এ তৈরি কাস্টম ভয়েস দিয়ে বড় ও পুরনো অডিও প্রোফাইল / ডিরেক্টর্স নোট ব্লক পাল্টে দিন এবং তারপরে ন্যূনতম বা খালি style স্ট্রিং সহ আপনার TTS অনুরোধের মাধ্যমে সেই voice_... ID নিয়ে যান।
5. একক অনুরোধের ক্ষেত্রে ডিফল্ট WAV (audio/wav) আউটপুটের জন্য অ্যাকাউন্ট: gemini-3.1-flash-tts-preview ও এর আগের TTS মডেলের (যেগুলি ডিফল্ট হিসেবে হেডার ছাড়া কাঁচা PCM audio/l16 রিটার্ন করত) মতো নয়, Gemini 3.8 TTS একক অনুরোধের ক্ষেত্রে ডিফল্ট হিসেবে স্ট্যান্ডার্ড RIFF হেডার সহ WAV অডিও (audio/wav / AUDIO_WAV) রিটার্ন করে।
   • আপনার কোড আগে WAV হেডার (যেমন, Python-এর wave মডিউল বা ffmpeg ব্যবহার করে) দিয়ে র PCM বাইট র‍্যাপ করে থাকলে, ম্যানুয়াল হেডার র‍্যাপার সরিয়ে দিন এবং রিটার্ন করা বাইট সরাসরি .wav ফাইলে লিখুন।
   • আপনার পাইপলাইনে হেডার ছাড়া কাঁচা PCM, mu-law বা A-law অডিও প্রয়োজন হলে, response_format.mime_type-কে "audio/l16", "audio/mulaw" বা "audio/alaw" হিসেবে স্পষ্টভাবে সেট করুন (যেমন, {"response_format": {"type": "audio", "mime_type": "audio/l16"}} Interactions API-তে অথবা AUDIO_L16, AUDIO_MULAW বা AUDIO_ALAW generateContent-এ)। অডিও আউটপুট ফর্ম্যাট দেখুন।

gemini-3.8-flash-tts

প্রপার্টি	বিবরণ
id_cardমডেল কোড	gemini-3.8-flash-tts
সেভ করাডেটার ধরন	ইনপুট টেক্সট আউটপুট অডিও
token_autoটোকেন সীমা[*]	ইনপুট টোকেনের সীমা ৮,১৯২ আউটপুট টোকেনের সীমা ১৬,৩৮৪ (Gemini API পরিবেশনের সীমা)
handymanকেপেবিলিটি	অডিও জেনারেশন কাজ করে ক্যাশিং কাজ করে না কোড এক্সিকিউশন কাজ করে না ফাইল সার্চ কাজ করে না ফাংশন কলিং কাজ করে না Google Maps-এর মাধ্যমে গ্রাউন্ডিং কাজ করে না ইমেজ জেনারেশন কাজ করে না Live API কাজ করে না সার্চ গ্রাউন্ডিং কাজ করে না স্ট্রাকচার্ড আউটপুট কাজ করে না ভাবছি কাজ করে না URL প্রসঙ্গ কাজ করে না
speedব্যবহারের বিকল্প	Batch API কাজ করে Flex ইনফারেন্স কাজ করে অগ্রাধিকার সংক্রান্ত অনুমান কাজ করে
123ভার্সন	আরও বিবরণের জন্য মডেল ভার্সন প্যাটার্ন পড়ুন। gemini-3.8-flash-tts
calendar_monthলেটেস্ট আপডেট	সেপ্টেম্বর ২০২৬

যেসব ভাষায় এটি ব্যবহার করা যায়

gemini-3.8-flash-tts অটোমেটিক ইনপুট ভাষা শনাক্ত করে এবং ১৩০টিরও বেশি ভাষায় কাজ করে:

ভাষা	ভাষা	ভাষা
আসেনিজ (আরবি স্ক্রিপ্ট)	গ্রিক	নেপালি (স্বতন্ত্র ভাষা)
আফ্রিকান্স	গুয়ারানি	নাইজেরিয়ান ফুলফুল্দে
আকান	গুজরাতি	উত্তর আজারবাইজানি
আমহারীক	হাইতিয়ান ক্রেওল	নর্দার্ন সোথো
আর্মেনীয়	খালখ মঙ্গোলিয়ান	উত্তর উজবেক
অসমিয়া	হাউসা	নরওয়ে বোকমাল
আওয়াধি	হিব্রু	নরওয়েজীয় নাইনরস্ক
বালিনিজ	হিন্দি	নিয়াঞ্জা
বাংলা	হাঙ্গেরিয়ান	অকসিটান
বানজার (আরবি স্ক্রিপ্ট)	আইসল্যান্ডিক	ওড়িয়া (স্বতন্ত্র ভাষা)
বানজার (ল্যাটিন স্ক্রিপ্ট)	ইগবো	পাঙ্গাসিনান
বাশকির	ইলোকানো	ফারসি (আফগানিস্তান)
বাস্ক	ইন্দোনেশিয়ান	পোলিশ
বেলারুশিয়ান	ইরানিয়ান ফার্সি	পর্তুগিজ
বেম্বা	ইতালিয়ান	পঞ্জাবি
ভোজপুরি	জাপানি	রোমানিয়ান
বসনিয়ান	জাভানীয়	রুশ
বুগিনিজ	কাবেল	সাঁওতালি
বুলগেরিয়ান	কাম্বা	সার্বিয়
বার্মিজ	কন্নড়	সিন্ধি
ক্যান্টনিজ	কাশ্মীরি (আরবি লিপি)	সিংহলি
কাতালান	কাশ্মীরি (দেবনাগরী লিপি)	স্লোভাক
সেবুয়ানো	কাজাখ	স্লোভেনিয়ান
সেন্ট্রাল কুর্দিশ	খমের	সোমালি
ছত্তিসগড়ী	কিকু্ইয়ু	দক্ষিণ আজারবাইজানি
চীনা (হ্যান্স স্ক্রিপ্ট)	কাইনিয়ারোয়ান্ডা	দক্ষিণী পুশতু
চীনা (Hant স্ক্রিপ্ট)	কঙ্গো	সাউদার্ন সোথো
ক্রিমিয়ান তাতার	কোরিয়ান	স্প্যানিশ
ক্রোয়েশিয়ান	কিরগিজ	আধুনিক আরবি (আরবি স্ক্রিপ্ট)
চেক	লাও	প্রমিত আরবি (ল্যাটিন স্ক্রিপ্ট)
ড্যানিশ	লাতগালিয়ান	স্ট্যান্ডার্ড লাটভিয়ান
ডাচ	লিঙ্গালা	প্রমিত মালয়
ডায়ুলা	লিথুয়ানিয়ান	সোয়াহিলি (স্বতন্ত্র ভাষা)
জংখা	লুক্সেমবার্গীয়	সোয়াতি
মিশরীয় আরবি	ম্যাসিডোনীয়	সুইডিশ
ইংরেজি	মগহী	তাজিক
এস্তোনিয়ান	মৈথিলি	তামিল
ফিলিপিনো	মালায়লাম	তেলুগু
ফিনিশ	মল্টিজ	থাই
ফরাসী	মণিপুরী	টাইগ্রিনা
গ্যালিশিয়	মারাঠি	Tosk আলবেনিয়ান
Ganda	মিনাঙ্গকাবাউ (আরবি স্ক্রিপ্ট)	তুর্কি
জর্জিয়ান	মিনাংকাবাউ (ল্যাটিন স্ক্রিপ্ট)	উইঘুর
জার্মান	মিজো	ভিয়েতনামিজ