জেমিনি ৩.৮ ফ্ল্যাশ টিটিএস

জেমিনি ৩.৮ ফ্ল্যাশ টিটিএস ( gemini-3.8-flash-tts ) হলো গুগলের ফ্ল্যাগশিপ ক্রিয়েটিভ টেক্সট-টু-স্পিচ মডেল, যা স্টুডিও-গ্রেড ভয়েস ফিডেলিটি, অভিব্যক্তিপূর্ণ অভিনয়, খাঁটি আঞ্চলিক উচ্চারণ এবং দীর্ঘ সময় ধরে একাধিকবার ব্যবহারের ক্ষেত্রে অটল স্থিতিশীলতার জন্য তৈরি করা হয়েছে।

সংক্ষিপ্ত বিবরণ এবং সক্ষমতা

জেমিনি ৩.৮ ফ্ল্যাশ টিটিএস অভিব্যক্তিপূর্ণ অডিও তৈরির ক্ষেত্রে একটি নতুন মানদণ্ড স্থাপন করেছে:

• উচ্চ মানের শব্দগুণ ও অভিনয়ের সূক্ষ্মতা: সমৃদ্ধ আবেগীয় পরিসর, স্বাভাবিক ছন্দ এবং টার্ন-লেভেল style নির্দেশনা ও ইনলাইন ভোকাল ইভেন্টগুলোর ( <laugh> , <sigh> , <short pause> ) নির্ভুল অনুসরণ নিশ্চিত করে।
• দীর্ঘ সময় ধরে একাধিকবার বলার ক্ষেত্রেও স্থিতিশীলতা: দীর্ঘ সংলাপ এবং কয়েক মিনিটের বর্ণনার সময় কণ্ঠস্বরের কোনো পরিবর্তন ছাড়াই এর স্বরবর্ণ, সুরের বৈশিষ্ট্য, তীব্রতা এবং ঘরের ধ্বনিগত আবহকে সামঞ্জস্যপূর্ণ রাখে।
• খাঁটি আঞ্চলিক উচ্চারণভঙ্গি: আঞ্চলিক উচ্চারণভঙ্গি, সংখ্যালঘু উপভাষা এবং ইনলাইন আন্তর্জাতিক ধ্বনিমূলক বর্ণমালা (আইপিএ) ওভাররাইড সমর্থন করে।
• সম্পূর্ণ ভয়েস ইকোসিস্টেম সাপোর্ট: এটি আগে থেকে তৈরি ভয়েস, এক্সটেন্ডেড ভয়েস লাইব্রেরি ( GET /v1beta/voices ), কাস্টম ভয়েস ডিজাইন পারসোনা এবং ভয়েস রেপ্লিকেশন (ডিফল্টরূপে স্থায়ীভাবে সংরক্ষিত ভয়েস, সাথে ঐচ্ছিক স্টেটলেস কী) এর সাথে নির্বিঘ্নে কাজ করে। এছাড়াও আপনি Google AI Studio- তে ইন্টারেক্টিভভাবে ভয়েস ডিজাইন এবং রেপ্লিকেট করতে পারেন।

ফিচারসমূহের পূর্ণাঙ্গ বিবরণ, প্রম্পটিং-এর সেরা অনুশীলন এবং কোড উদাহরণের জন্য টেক্সট-টু-স্পিচ গাইডটি দেখুন।

কখন কোন টিটিএস মডেল ব্যবহার করবেন

Gemini 3.8 TTS-এর উভয় মডেলেই একই API স্কিমা এবং প্রম্পটিং কাঠামো রয়েছে। আপনার কাজের ধরনের সাথে মানানসই মডেলটি বেছে নিন:

অভিবাসন নির্দেশিকা

আপনি যদি gemini-3.1-flash-tts-preview বা পূর্ববর্তী Gemini TTS মডেল থেকে স্থানান্তরিত হন, তাহলে Gemini 3.8 TTS স্কিমার জন্য আপনার অনুরোধগুলি আপডেট করুন:

1. টার্ন-লেভেল নির্দেশনা speech_metadata তে সরান: Gemini 3.8 TTS ইনপুট টেক্সটকে কঠোরভাবে একটি হুবহু প্রতিলিপি হিসেবে বিবেচনা করে। "Say cheerfully: Hello!" বা "Speaker 1: Hello!" এর মতো ইনলাইন টেক্সট নির্দেশনাগুলো উচ্চস্বরে বলা হতে পারে। ধারাবাহিক ডেলিভারি নির্দেশনা ( style ) এবং স্পিকার লেবেল ( speaker ) স্ট্রাকচার্ড মেটাডেটাতে সরান:
   • ইন্টারঅ্যাকশন এপিআই: প্রতিটি টেক্সট কন্টেন্ট ব্লকে "type": "speech_metadata" , "speaker" , এবং "style" সহ একটি অ্যানোটেশন সংযুক্ত করুন।
   • GenerateContent API: প্রতিটি part সাথে "speech_metadata": {"speaker": "...", "style": "..."} সংযুক্ত করুন।
2. শুধুমাত্র নির্দিষ্ট সময়ের বাচনিক ঘটনার জন্য অ্যাঙ্গেল-ব্র্যাকেট ইনলাইন ট্যাগ ব্যবহার করুন: ক্ষণস্থায়ী অ-কথ্য স্বরধ্বনি এবং বিরতিগুলোকে ট্রান্সক্রিপ্টের মধ্যে অ্যাঙ্গেল ব্র্যাকেট ব্যবহার করে ইনলাইনে রাখুন (যেমন <laugh> , <sigh> , <cough> , <breath> , বা <short pause> )। ফিসফিস করার মতো বাচনভঙ্গি speech_metadata.style এ রাখুন।
3. একাধিক বক্তার অনুরোধে প্রতিটি ধাপে speaker নির্দিষ্ট করুন: একাধিক বক্তার অনুরোধের প্রতিটি ধাপে, কনফিগার করা বক্তাদের মধ্যে একজনের সাথে মিল রেখে speech_metadata ভিতরে speaker স্পষ্টভাবে অন্তর্ভুক্ত করতে হবে।
4. ভয়েস ডিজাইন ব্যবহার করে শুরুতেই পারসোনা ডিজাইন করুন: পুরোনো অডিও প্রোফাইল / ডিরেক্টর'স নোটস ব্লকগুলোকে ভয়েস ডিজাইনে তৈরি একটি কাস্টম ভয়েস দিয়ে প্রতিস্থাপন করুন, তারপর ন্যূনতম বা খালি style স্ট্রিং ব্যবহার করে আপনার টিটিএস (TTS) অনুরোধগুলোতে সেই voice_... আইডিটি প্রয়োগ করুন।
5. ইউনারি রিকোয়েস্টের ক্ষেত্রে ডিফল্ট WAV ( audio/wav ) আউটপুটের বিষয়টি বিবেচনা করুন: gemini-3.1-flash-tts-preview এবং পূর্ববর্তী TTS মডেলগুলির (যেগুলি ডিফল্টরূপে হেডারবিহীন র PCM audio/l16 রিটার্ন করত) থেকে ভিন্ন, Gemini 3.8 TTS ইউনারি রিকোয়েস্টের জন্য ডিফল্টরূপে একটি স্ট্যান্ডার্ড RIFF হেডার সহ WAV অডিও ( audio/wav / AUDIO_WAV ) রিটার্ন করে।
   • যদি আপনার কোড আগে সরাসরি PCM বাইটগুলোকে একটি WAV হেডারে মুড়ে দিয়ে থাকে (উদাহরণস্বরূপ, পাইথনের wave মডিউল বা ffmpeg ব্যবহার করে), তাহলে সেই ম্যানুয়াল হেডার র‍্যাপারটি সরিয়ে ফেলুন এবং ফেরত আসা বাইটগুলো সরাসরি একটি .wav ফাইলে লিখুন।
   • আপনার পাইপলাইনে যদি হেডারবিহীন র PCM, mu-law, বা A-law অডিওর প্রয়োজন হয়, তাহলে স্পষ্টভাবে response_format কে "audio/l16" ( "AUDIO_L16" ), "audio/mulaw" ( "AUDIO_MULAW" ), বা "audio/alaw" ( "AUDIO_ALAW" )-এ সেট করুন। অডিও আউটপুট ফরম্যাটগুলো দেখুন।

জেমিনি-৩.৮-ফ্ল্যাশ-টিটিএস

সমর্থিত ভাষা

gemini-3.8-flash-tts স্বয়ংক্রিয়ভাবে ইনপুট ভাষা শনাক্ত করে এবং ১৩০টি ভাষা সমর্থন করে।