Gemini 3.8 Flash TTS

‫Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) هو نموذج رائد من Google لتحويل النص إلى كلام، وهو مصمّم لتقديم صوت عالي الجودة، وأداء معبّر، ولهجات محلية أصيلة، وثبات قوي في المحادثات الطويلة المتعددة الأدوار.

نظرة عامة والإمكانات

يضع نظام إنشاء الصوت (TTS) من Gemini 3.8 Flash معيارًا جديدًا لإنشاء محتوى صوتي معبّر:

• دقة صوتية عالية وتفاصيل دقيقة في الأداء: توفّر هذه الميزة نطاقًا عاطفيًا غنيًا، وإيقاعًا طبيعيًا، والتزامًا دقيقًا بالتعليمات style على مستوى الجمل والأحداث الصوتية المضمّنة (<laugh> و<sigh> و<short pause>).
• ثبات المحتوى الطويل المتعدد الجلسات: الحفاظ على اتساق هوية الصوت وطبقة الصوت ومستوى الصوت ونبرة الغرفة الصوتية خلال الحوارات الطويلة والسرد الذي يستغرق عدة دقائق بدون حدوث أي انحراف في الصوت
• اللهجات واللفظ الإقليميان الأصيلان: تتوافق هذه الميزة مع اللهجات الإقليمية واللهجات الخاصة بالأقليات.
• التوافق الكامل مع منظومة الصوت المتكاملة: تتوافق هذه الميزة بسلاسة مع الأصوات الجاهزة، و"مكتبة الأصوات الموسّعة" (GET /v1beta/voices)، وتصميم الأصوات المخصّصة، واستنساخ الأصوات (يتم تلقائيًا تخزين الأصوات بشكل دائم، بالإضافة إلى مفاتيح اختيارية بدون حالة). يمكنك أيضًا تصميم أصوات ونسخها بشكل تفاعلي في Google AI Studio.

يمكنك الانتقال إلى دليل تحويل النص إلى كلام للحصول على تغطية كاملة للميزات وأفضل الممارسات المتعلقة بتقديم الطلبات وأمثلة على الرموز البرمجية.

حالات استخدام نماذج تحويل النص إلى كلام

يتشارك كلا النموذجين Gemini 3.8 لتحويل النص إلى كلام مخطط واجهة برمجة التطبيقات وبنية الطلبات نفسها. اختَر النموذج الذي يناسب حجم عملك:

دليل نقل البيانات

إذا كنت تنقل البيانات من إصدار gemini-3.1-flash-tts-preview أو إصدار أقدم من نماذج Gemini لتحويل النص إلى كلام، عدِّل طلباتك لتتوافق مع مخطط Gemini 3.8 لتحويل النص إلى كلام:

1. نقل التوجيهات على مستوى المنعطف إلى speech_metadata: يعامل محرك تحويل النص إلى كلام 3.8 من Gemini النص المدخل على أنّه نسخة طبق الأصل. قد تتم قراءة توجيهات النص المضمّنة، مثل "Say cheerfully: Hello!" أو "Speaker 1: Hello!"، بصوت عالٍ. نقل تعليمات التسليم المستدام (style) وتصنيفات المتحدّثين (speaker) إلى البيانات الوصفية المنظَّمة:
   • واجهة Interactions API: أرفِق تعليقًا توضيحيًا يتضمّن "type": "speech_metadata" و"speaker" و"style" بكل فقرة من المحتوى النصي.
   • ‫GenerateContent API: أرفِق "speech_metadata": {"speaker": "...", "style": "..."} بكل part.
2. استخدام علامات مضمّنة بين قوسين زاويين فقط للأحداث الصوتية في نقطة زمنية محددة: يجب تضمين التعبيرات الصوتية غير الكلامية المؤقتة والفواصل في نص الفيديو باستخدام قوسين زاويين (مثل <laugh> أو <sigh> أو <cough> أو <breath> أو <short pause>). يجب وضع أساليب الأداء، مثل الهمس، بين speech_metadata.style.
3. تحديد speaker في كل منعطف في طلبات المتحدثين المتعددين: يجب أن يتضمّن كل منعطف في طلب المتحدثين المتعددين speaker بشكل صريح داخل speech_metadata بما يتطابق مع أحد المتحدثين الذين تم ضبطهم.
4. تصميم شخصيات مسبقًا باستخدام "تصميم الصوت": استبدِل فقرات "ملف الصوت" / "ملاحظات المخرج" الطويلة القديمة بصوت مخصّص تم إنشاؤه في تصميم الصوت، ثم استخدِم معرّف voice_... في طلبات تحويل النص إلى كلام مع سلاسل style فارغة أو بأقل قدر من المحتوى.
5. احتساب الناتج التلقائي بتنسيق WAV (audio/wav) في الطلبات الأحادية: على عكس إصدارات gemini-3.1-flash-tts-preview والإصدارات الأقدم من نماذج تحويل النص إلى كلام (التي كانت تعرض audio/l16 بتنسيق PCM الأولي بدون عنوان تلقائيًا)، يعرض الإصدار 3.8 من ميزة "تحويل النص إلى كلام" في Gemini صوت WAV (audio/wav / AUDIO_WAV) مع عنوان RIFF عادي تلقائيًا للطلبات الأحادية.
   • إذا كان الرمز البرمجي يغلّف وحدات بايت PCM الأولية في رأس WAV (على سبيل المثال، باستخدام الوحدة wave أو ffmpeg في Python)، عليك إزالة غلاف الرأس اليدوي وكتابة وحدات البايت التي تم إرجاعها مباشرةً في ملف .wav.
   • إذا كان مسار التعلّم يتطلّب صوت PCM الأولي بدون عنوان أو صوت mu-law أو A-law، اضبط response_format.mime_type بشكل صريح على "audio/l16" أو "audio/mulaw" أو "audio/alaw" (على سبيل المثال، {"response_format": {"type": "audio", "mime_type": "audio/l16"}} في Interactions API أو AUDIO_L16 أو AUDIO_MULAW أو AUDIO_ALAW في generateContent). راجِع تنسيقات إخراج الصوت.

gemini-3.8-flash-tts

اللغات المتاحة

يرصد gemini-3.8-flash-tts لغة الإدخال تلقائيًا ويتيح استخدام أكثر من 130 لغة: