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 المترابطة الطويلة المتعددة الأدوار.

نظرة عامة والإمكانات

يضع نموذج تحويل النص إلى كلام (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 الأدوار: 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 الإقليمية والنطق الأصلي: تتوافق مع اللهجات الإقليمية واللهجات الخاصة بالأقليات وعمليات التجاوز المضمّنة في الأبجدية الصوتية الدولية (IPA).
• التوافق الكامل مع منظومة الصوت المتكاملة: تتوافق هذه الميزة بسلاسة مع الأصوات المسبقة الإنشاء، و مكتبة الأصوات الموسّعة (GET /v1beta/voices)، وشخصيات تصميم الصوت المخصّصة، و استنساخ الصوت (يتم تلقائيًا تخزين الأصوات بشكل دائم، بالإضافة إلى مفاتيح اختيارية بدون حالة). يمكنك أيضًا تصميم أصوات ومحاكاتها 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 تنفّذ عملية نقل بيانات من إصدار gemini-3.1-flash-tts-preview أو إصدار أقدم من نماذج Gemini لتحويل النص إلى كلام، عليك تعديل طلباتك لتتوافق مع مخطط Gemini 3.8 لتحويل النص إلى كلام:

1. نقل التوجيهات على مستوى المنعطف إلى speech_metadata: يعامل نظام تحويل النص إلى كلام 3.8 في Gemini النص المدخل على أنّه نسخة طبق الأصل. قد يتم نطق التوجيهات المضمّنة في النص، مثل "Say cheerfully: Hello!" أو "Speaker 1: Hello!"، بصوت عالٍ. نقل تعليمات التسليم المستدام (style) وتصنيفات المتحدّثين (speaker) إلى البيانات الوصفية المنظَّمة:
   • ‫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 العلامات المضمّنة بين قوسين زاويين فقط للأحداث الصوتية في نقطة زمنية محددة: يجب تضمين التعبيرات الصوتية غير الكلامية والوقفات المؤقتة في النص باستخدام قوسين زاويين (مثل <laugh> أو <sigh> أو <cough> أو <breath> أو <short pause>). يجب وضع أساليب التسليم، مثل الهمس، بين speech_metadata.style.
3. تحديد speaker في كل دورة في الطلبات التي تتضمّن عدة متحدثين: يجب أن تتضمّن كل دورة في الطلبات التي تتضمّن عدة متحدثين speaker بشكل صريح داخل speech_metadata بما يتطابق مع أحد المتحدثين الذين تم ضبطهم.
4. تصميم شخصيات مسبقًا باستخدام "تصميم الصوت": استبدِل فقرات "ملف تعريف الصوت" / "ملاحظات المخرج" القديمة والطويلة بصوت مخصّص تم إنشاؤه في تصميم الصوت، ثم استخدِم معرّف voice_... نفسه في طلبات تحويل النص إلى كلام مع سلاسل style فارغة أو قليلة المحتوى.
5. احتساب الناتج التلقائي بتنسيق WAV (audio/wav) في الطلبات الأحادية: على عكس gemini-3.1-flash-tts-preview ونماذج تحويل النص إلى كلام السابقة (التي كانت تعرض ملف PCM الأولي audio/l16 بدون عنوان تلقائيًا)، تعرض ميزة تحويل النص إلى كلام في Gemini 3.8 ملف صوت بتنسيق WAV (audio/wav / AUDIO_WAV) مع عنوان RIFF عادي تلقائيًا للطلبات الأحادية.
   • إذا كان الرمز البرمجي يضمّن سابقًا وحدات بايت PCM أولية في عنوان WAV (على سبيل المثال، باستخدام الوحدة wave أو ffmpeg في Python)، عليك إزالة تضمين العنوان اليدوي وكتابة وحدات البايت التي تم إرجاعها مباشرةً في ملف .wav.
   • إذا كان مسار التعلّم يتطلّب محتوًى صوتيًا بتنسيق PCM الأولي بدون رأس أو بتنسيق mu-law أو A-law، اضبط response_format على "audio/l16" ("AUDIO_L16") أو "audio/mulaw" ("AUDIO_MULAW") أو "audio/alaw" ("AUDIO_ALAW"). راجِع تنسيقات إخراج الصوت.

gemini-3.8-flash-tts

اللغات المتاحة

تتعرّف أداة gemini-3.8-flash-tts تلقائيًا على لغة الإدخال وتتيح استخدام 130 لغة: