Gemini 3.8 Flash TTS

Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) est le modèle de synthèse vocale créatif phare de Google. Il est conçu pour offrir une fidélité vocale de qualité studio, un jeu d'acteur expressif, des accents régionaux authentiques et une stabilité à toute épreuve pour les conversations longues et multitours.

Présentation et fonctionnalités

Gemini 3.8 Flash TTS établit une nouvelle référence en matière de génération audio expressive :

• Fidélité acoustique et nuances de jeu d'acteur élevées : offre une riche gamme d'émotions, une cadence naturelle et un respect précis des instructions style au niveau du tour et des événements vocaux intégrés (<laugh>, <sigh>, <short pause>).
• Stabilité des conversations longues et multitours : l'identité vocale, le timbre, le volume et le ton acoustique de la pièce restent cohérents tout au long des dialogues prolongés et des narrations de plusieurs minutes, sans décalage de la voix.
• Prononciation et accents régionaux authentiques : prend en charge les accents régionaux, les dialectes minoritaires et les remplacements en ligne de l'alphabet phonétique international (API).
• Compatibilité complète avec l'écosystème vocal : fonctionne parfaitement avec les voix prédéfinies, la bibliothèque vocale étendue (GET /v1beta/voices), les personas de conception vocale personnalisés et la réplication vocale (voix stockées de manière persistante par défaut, avec des clés sans état facultatives). Vous pouvez également concevoir et répliquer des voix de manière interactive dans Google AI Studio.

Consultez le guide Text-to-Speech pour obtenir une couverture complète des fonctionnalités, des bonnes pratiques concernant les requêtes et des exemples de code.

Quand utiliser quel modèle TTS ?

Les deux modèles Gemini 3.8 TTS partagent le même schéma d'API et la même structure d'invite. Choisissez le modèle qui correspond à votre charge de travail :

Guide de migration

Si vous migrez depuis des modèles Gemini TTS gemini-3.1-flash-tts-preview ou antérieurs, mettez à jour vos requêtes pour le schéma Gemini 3.8 TTS :

1. Déplacez les instructions au niveau des tours dans speech_metadata : Gemini 3.8 TTS traite le texte saisi strictement comme une transcription mot pour mot. Les instructions textuelles intégrées, comme "Say cheerfully: Hello!" ou "Speaker 1: Hello!", peuvent être lues à voix haute. Déplacez les instructions de diffusion continue (style) et les identifiants des intervenants (speaker) dans les métadonnées structurées :
   • API Interactions : associez une annotation avec "type": "speech_metadata", "speaker" et "style" à chaque bloc de contenu textuel.
   • API GenerateContent : associez "speech_metadata": {"speaker": "...", "style": "..."} à chaque part.
2. N'utilisez les tags intégrés entre crochets que pour les événements vocaux ponctuels : conservez les vocalisations et les pauses momentanées non liées à la parole dans la transcription à l'aide de crochets (par exemple, <laugh>, <sigh>, <cough>, <breath> ou <short pause>). Placez les styles de diction tels que les chuchotements dans speech_metadata.style.
3. Spécifiez speaker à chaque tour dans les requêtes à plusieurs locuteurs : chaque tour d'une requête à plusieurs locuteurs doit inclure explicitement speaker dans speech_metadata correspondant à l'un des locuteurs configurés.
4. Concevez des personas en amont avec la conception vocale : remplacez les longs blocs d'anciens profils audio / notes du réalisateur par une voix personnalisée créée dans Conception vocale, puis transmettez cet ID voice_... dans vos requêtes de synthèse vocale avec des chaînes style minimales ou vides.
5. Tenir compte de la sortie WAV par défaut (audio/wav) pour les requêtes unaires : contrairement aux modèles TTS gemini-3.1-flash-tts-preview et antérieurs (qui renvoyaient par défaut un PCM brut audio/l16 sans en-tête), Gemini 3.8 TTS renvoie par défaut un fichier audio WAV (audio/wav / AUDIO_WAV) avec un en-tête RIFF standard pour les requêtes unaires.
   • Si votre code encapsulait auparavant des octets PCM bruts dans un en-tête WAV (par exemple, à l'aide du module wave ou de ffmpeg de Python), supprimez l'encapsulation manuelle de l'en-tête et écrivez les octets renvoyés directement dans un fichier .wav.
   • Si votre pipeline nécessite un fichier audio PCM, mu-law ou A-law brut sans en-tête, définissez explicitement response_format sur "audio/l16" ("AUDIO_L16"), "audio/mulaw" ("AUDIO_MULAW") ou "audio/alaw" ("AUDIO_ALAW"). Consultez Formats de sortie audio.

gemini-3.8-flash-tts

Langues disponibles

gemini-3.8-flash-tts détecte automatiquement la langue d'entrée et est compatible avec 130 langues :