Gemini 3.8 Flash TTS

Gemini 3.8 Flash TTS (gemini-3.8-flash-tts), Google'ın amiral gemisi niteliğindeki yaratıcı metin okuma modelidir. Stüdyo kalitesinde ses doğruluğu, etkileyici oyunculuk, gerçekçi bölgesel aksanlar ve uzun biçimli çok aşamalı etkileşim kararlılığı için tasarlanmıştır.

Genel bakış ve özellikler

Gemini 3.8 Flash TTS, etkileyici ses üretimi için yeni bir ölçüt belirledi:

• Yüksek akustik doğruluk ve oyunculuk nüansı: Zengin duygusal aralık, doğal ritim ve sırayla ilgili talimatlara (style) ve satır içi vokal olaylara (<laugh>, <sigh>, <short pause>) hassas bağlılık sunar.
• Uzun ve çok aşamalı etkileşim stabilitesi: Ses kayması olmadan uzun diyaloglar ve çok dakikalık anlatımlar boyunca tutarlı ses kimliği, tını, ses düzeyi ve akustik oda tonu sağlar.
• Gerçekçi bölgesel aksanlar ve telaffuz: Bölgesel aksanları, azınlık lehçelerini ve satır içi Uluslararası Fonetik Alfabe (IPA) geçersiz kılmalarını destekler.
• Tam ses ekosistemi desteği: Önceden oluşturulmuş sesler, Genişletilmiş Ses Kitaplığı (GET /v1beta/voices), özel ses tasarımı karakterleri ve ses kopyalama (varsayılan olarak kalıcı depolanan sesler ve isteğe bağlı durumsuz anahtarlar) ile sorunsuz bir şekilde çalışır. Ayrıca Google AI Studio'da sesleri etkileşimli olarak tasarlayabilir ve kopyalayabilirsiniz.

Özellikler, istemlerle ilgili en iyi uygulamalar ve kod örnekleri hakkında kapsamlı bilgi için Metin okuma kılavuzunu ziyaret edin.

Hangi TTS modeli ne zaman kullanılır?

Her iki Gemini 3.8 TTS modeli de aynı API şemasını ve istem yapısını kullanır. İş yükünüze uygun modeli seçin:

Taşıma rehberi

gemini-3.1-flash-tts-preview veya daha önceki Gemini TTS modellerinden taşıma yapıyorsanız Gemini 3.8 TTS şeması için isteklerinizi güncelleyin:

1. Dönüş seviyesindeki talimatları speech_metadata'a taşıma: Gemini 3.8 TTS, giriş metnini bire bir transkript olarak değerlendirir. "Say cheerfully: Hello!" veya "Speaker 1: Hello!" gibi satır içi metin yol tarifleri sesli okunabilir. Sürekli yayın talimatlarını (style) ve konuşmacı etiketlerini (speaker) yapılandırılmış meta verilere taşıma:
   • Interactions API: Her metin içeriği bloğuna "type": "speech_metadata", "speaker" ve "style" ile bir ek açıklama ekleyin.
   • GenerateContent API: Her part öğesine "speech_metadata": {"speaker": "...", "style": "..."} ekleyin.
2. Köşeli parantez satır içi etiketlerini yalnızca anlık sesli etkinlikler için kullanın: Köşeli parantezleri (ör. <laugh>, <sigh>, <cough>, <breath> veya <short pause>) kullanarak anlık konuşma dışı seslendirmeleri ve duraklamaları transkriptte satır içinde tutun. Fısıldama gibi sunum tarzlarını speech_metadata.style içine alın.
3. Çok konuşmacılı isteklerde her dönüşte speaker belirtin: Çok konuşmacılı isteklerdeki her dönüş, yapılandırılmış konuşmacılardan biriyle eşleşen speech_metadata içinde speaker'yi açıkça içermelidir.
4. Ses tasarımı ile önceden tasarım karakterleri oluşturun: Uzun eski Ses Profili / Yönetmen Notları bloklarını Ses Tasarımı'nda oluşturulan özel bir sesle değiştirin, ardından bu voice_... kimliğini TTS isteklerinizde minimum veya boş style dizeleriyle kullanın.
5. Tekli isteklerde varsayılan WAV (audio/wav) çıkışını hesaba katın: gemini-3.1-flash-tts-preview ve önceki TTS modellerinin (varsayılan olarak başlık içermeyen ham PCM audio/l16 döndüren) aksine, Gemini 3.8 TTS, tekli istekler için varsayılan olarak standart bir RIFF başlığıyla WAV ses (audio/wav / AUDIO_WAV) döndürür.
   • Kodunuz daha önce ham PCM baytlarını bir WAV başlığına sarmalıyorduysa (örneğin, Python'ın wave modülünü veya ffmpeg'ı kullanarak) manuel başlık sarmalayıcıyı kaldırın ve döndürülen baytları doğrudan bir .wav dosyasına yazın.
   • Kanalınızın başlık içermeyen ham PCM, mu-law veya A-law ses gerektirmesi durumunda, response_format değerini açıkça "audio/l16" ("AUDIO_L16"), "audio/mulaw" ("AUDIO_MULAW") veya "audio/alaw" ("AUDIO_ALAW") olarak ayarlayın. Ses çıkışı biçimleri başlıklı makaleyi inceleyin.

gemini-3.8-flash-tts

Desteklenen diller

gemini-3.8-flash-tts, giriş dilini otomatik olarak algılar ve 130 dili destekler: