Metin okuma (TTS) üretimi
Gemini API, Gemini metin okuma (TTS) oluşturma özelliklerini kullanarak metin girişini tek veya çok hoparlörlü sese dönüştürebilir. Metin okuma (TTS) üretimi kontrol edilebilir. Bu sayede, etkileşimleri yapılandırmak ve sesin stilini, aksanını, hızını ve tonunu yönlendirmek için doğal dil kullanabilirsiniz.
TTS özelliği, etkileşimli, yapılandırılmamış ses ve çok formatlı girişler ve çıkışlar için tasarlanmış Live API aracılığıyla sağlanan konuşma oluşturma özelliğinden farklıdır. Live API, dinamik sohbet bağlamlarında mükemmel performans gösterirken Gemini API aracılığıyla TTS, stil ve ses üzerinde ayrıntılı kontrolle birlikte metnin tam olarak okunmasını gerektiren senaryolar için (ör. podcast veya sesli kitap oluşturma) özel olarak tasarlanmıştır.
Bu kılavuzda, metinden tek konuşmacılı ve çok konuşmacılı seslerin nasıl oluşturulacağı gösterilmektedir.
Başlamadan önce
Desteklenen modeller bölümünde listelendiği gibi, Gemini metin okuma (TTS) özelliklerine sahip bir Gemini modeli varyantı kullandığınızdan emin olun. En iyi sonuçları elde etmek için hangi modelin kullanım alanınıza en uygun olduğunu belirleyin.
Geliştirmeye başlamadan önce Gemini TTS modellerini AI Studio'da test etmeniz faydalı olabilir.
Tek konuşmacılı TTS
Metni tek konuşmacılı sese dönüştürmek için yanıt biçimini "ses" olarak ayarlayın ve VoiceConfig ayarlanmış bir SpeechConfig nesnesi iletin.
Önceden oluşturulmuş çıkış sesleri arasından bir ses adı seçmeniz gerekir.
Bu örnekte, modelden gelen çıkış sesi bir wave dosyasına kaydedilir:
Python
from google import genai
from google.genai import types
import wave
# Set up the wave file to save the output:
def wave_file(filename, pcm, channels=1, rate=24000, sample_width=2):
with wave.open(filename, "wb") as wf:
wf.setnchannels(channels)
wf.setsampwidth(sample_width)
wf.setframerate(rate)
wf.writeframes(pcm)
client = genai.Client()
response = client.models.generate_content(
model="gemini-3.1-flash-tts-preview",
contents="Say cheerfully: Have a wonderful day!",
config=types.GenerateContentConfig(
response_modalities=["AUDIO"],
speech_config=types.SpeechConfig(
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name='Kore',
)
)
),
)
)
data = response.candidates[0].content.parts[0].inline_data.data
file_name='out.wav'
wave_file(file_name, data) # Saves the file to current directory
JavaScript
import {GoogleGenAI} from '@google/genai';
import wav from 'wav';
async function saveWaveFile(
filename,
pcmData,
channels = 1,
rate = 24000,
sampleWidth = 2,
) {
return new Promise((resolve, reject) => {
const writer = new wav.FileWriter(filename, {
channels,
sampleRate: rate,
bitDepth: sampleWidth * 8,
});
writer.on('finish', resolve);
writer.on('error', reject);
writer.write(pcmData);
writer.end();
});
}
async function main() {
const ai = new GoogleGenAI({});
const response = await ai.models.generateContent({
model: "gemini-3.1-flash-tts-preview",
contents: [{ parts: [{ text: 'Say cheerfully: Have a wonderful day!' }] }],
config: {
responseModalities: ['AUDIO'],
speechConfig: {
voiceConfig: {
prebuiltVoiceConfig: { voiceName: 'Kore' },
},
},
},
});
const data = response.candidates?.[0]?.content?.parts?.[0]?.inlineData?.data;
const audioBuffer = Buffer.from(data, 'base64');
const fileName = 'out.wav';
await saveWaveFile(fileName, audioBuffer);
}
await main();
REST
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.1-flash-tts-preview:generateContent" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-X POST \
-H "Content-Type: application/json" \
-d '{
"contents": [{
"parts":[{
"text": "Say cheerfully: Have a wonderful day!"
}]
}],
"generationConfig": {
"responseModalities": ["AUDIO"],
"speechConfig": {
"voiceConfig": {
"prebuiltVoiceConfig": {
"voiceName": "Kore"
}
}
}
},
"model": "gemini-3.1-flash-tts-preview",
}' | jq -r '.candidates[0].content.parts[0].inlineData.data' | \
base64 --decode >out.pcm
# You may need to install ffmpeg.
ffmpeg -f s16le -ar 24000 -ac 1 -i out.pcm out.wav
Birden fazla konuşmacı için TTS
Çok konuşmacılı ses için her konuşmacı (en fazla 2) SpeakerVoiceConfig olarak yapılandırılmış bir MultiSpeakerVoiceConfig nesnesi gerekir.
Her speaker öğesini, istemde kullanılan adlarla tanımlamanız gerekir:
Python
from google import genai
from google.genai import types
import wave
# Set up the wave file to save the output:
def wave_file(filename, pcm, channels=1, rate=24000, sample_width=2):
with wave.open(filename, "wb") as wf:
wf.setnchannels(channels)
wf.setsampwidth(sample_width)
wf.setframerate(rate)
wf.writeframes(pcm)
client = genai.Client()
prompt = """TTS the following conversation between Joe and Jane:
Joe: How's it going today Jane?
Jane: Not too bad, how about you?"""
response = client.models.generate_content(
model="gemini-3.1-flash-tts-preview",
contents=prompt,
config=types.GenerateContentConfig(
response_modalities=["AUDIO"],
speech_config=types.SpeechConfig(
multi_speaker_voice_config=types.MultiSpeakerVoiceConfig(
speaker_voice_configs=[
types.SpeakerVoiceConfig(
speaker='Joe',
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name='Kore',
)
)
),
types.SpeakerVoiceConfig(
speaker='Jane',
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name='Puck',
)
)
),
]
)
)
)
)
data = response.candidates[0].content.parts[0].inline_data.data
file_name='out.wav'
wave_file(file_name, data) # Saves the file to current directory
JavaScript
import {GoogleGenAI} from '@google/genai';
import wav from 'wav';
async function saveWaveFile(
filename,
pcmData,
channels = 1,
rate = 24000,
sampleWidth = 2,
) {
return new Promise((resolve, reject) => {
const writer = new wav.FileWriter(filename, {
channels,
sampleRate: rate,
bitDepth: sampleWidth * 8,
});
writer.on('finish', resolve);
writer.on('error', reject);
writer.write(pcmData);
writer.end();
});
}
async function main() {
const ai = new GoogleGenAI({});
const prompt = `TTS the following conversation between Joe and Jane:
Joe: How's it going today Jane?
Jane: Not too bad, how about you?`;
const response = await ai.models.generateContent({
model: "gemini-3.1-flash-tts-preview",
contents: [{ parts: [{ text: prompt }] }],
config: {
responseModalities: ['AUDIO'],
speechConfig: {
multiSpeakerVoiceConfig: {
speakerVoiceConfigs: [
{
speaker: 'Joe',
voiceConfig: {
prebuiltVoiceConfig: { voiceName: 'Kore' }
}
},
{
speaker: 'Jane',
voiceConfig: {
prebuiltVoiceConfig: { voiceName: 'Puck' }
}
}
]
}
}
}
});
const data = response.candidates?.[0]?.content?.parts?.[0]?.inlineData?.data;
const audioBuffer = Buffer.from(data, 'base64');
const fileName = 'out.wav';
await saveWaveFile(fileName, audioBuffer);
}
await main();
REST
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.1-flash-tts-preview:generateContent" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-X POST \
-H "Content-Type: application/json" \
-d '{
"contents": [{
"parts":[{
"text": "TTS the following conversation between Joe and Jane:
Joe: Hows it going today Jane?
Jane: Not too bad, how about you?"
}]
}],
"generationConfig": {
"responseModalities": ["AUDIO"],
"speechConfig": {
"multiSpeakerVoiceConfig": {
"speakerVoiceConfigs": [{
"speaker": "Joe",
"voiceConfig": {
"prebuiltVoiceConfig": {
"voiceName": "Kore"
}
}
}, {
"speaker": "Jane",
"voiceConfig": {
"prebuiltVoiceConfig": {
"voiceName": "Puck"
}
}
}]
}
}
},
"model": "gemini-3.1-flash-tts-preview",
}' | jq -r '.candidates[0].content.parts[0].inlineData.data' | \
base64 --decode > out.pcm
# You may need to install ffmpeg.
ffmpeg -f s16le -ar 24000 -ac 1 -i out.pcm out.wav
İstemlerle konuşma stilini kontrol etme
Hem tek hem de çok konuşmacılı TTS'de doğal dil istemlerini veya ses etiketlerini kullanarak stil, ton, aksan ve hızı kontrol edebilirsiniz. Örneğin, tek konuşmacılı bir istemde şunları söyleyebilirsiniz:
Say in an spooky voice:
"By the pricking of my thumbs... [short pause]
[whisper] Something wicked this way comes"
Çok konuşmacılı istemlerde, her konuşmacının adını ve ilgili transkripti modele sağlayın. Ayrıca her konuşmacı için ayrı ayrı talimat da verebilirsiniz:
Make Speaker1 sound tired and bored, and Speaker2 sound excited and happy:
Speaker1: So... [yawn] what's on the agenda today?
Speaker2: You're never going to guess!
İletmek istediğiniz üsluba veya duyguya uygun bir ses seçeneği kullanarak bunu daha da vurgulamayı deneyin. Örneğin, önceki istemde Enceladus'un nefesli sesi "yorgun" ve "sıkılmış" ifadelerini vurgulayabilirken Puck'ın neşeli tonu "heyecanlı" ve "mutlu" ifadelerini tamamlayabilir.
Sese dönüştürme istemi oluşturma
TTS modelleri yalnızca ses çıkışı verir ancak önce transkript oluşturmak için diğer modelleri kullanabilir, ardından bu transkripti TTS modeline aktararak yüksek sesle okutabilirsiniz.
Python
from google import genai
from google.genai import types
client = genai.Client()
transcript = client.models.generate_content(
model="gemini-3.5-flash",
contents="""Generate a short transcript around 100 words that reads
like it was clipped from a podcast by excited herpetologists.
The hosts names are Dr. Anya and Liam.""").text
response = client.models.generate_content(
model="gemini-3.1-flash-tts-preview",
contents=transcript,
config=types.GenerateContentConfig(
response_modalities=["AUDIO"],
speech_config=types.SpeechConfig(
multi_speaker_voice_config=types.MultiSpeakerVoiceConfig(
speaker_voice_configs=[
types.SpeakerVoiceConfig(
speaker='Dr. Anya',
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name='Kore',
)
)
),
types.SpeakerVoiceConfig(
speaker='Liam',
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name='Puck',
)
)
),
]
)
)
)
)
# ...Code to handle audio output
JavaScript
import { GoogleGenAI } from "@google/genai";
const ai = new GoogleGenAI({});
async function main() {
const transcript = await ai.models.generateContent({
model: "gemini-3.5-flash",
contents: "Generate a short transcript around 100 words that reads like it was clipped from a podcast by excited herpetologists. The hosts names are Dr. Anya and Liam.",
})
const response = await ai.models.generateContent({
model: "gemini-3.1-flash-tts-preview",
contents: transcript,
config: {
responseModalities: ['AUDIO'],
speechConfig: {
multiSpeakerVoiceConfig: {
speakerVoiceConfigs: [
{
speaker: "Dr. Anya",
voiceConfig: {
prebuiltVoiceConfig: {voiceName: "Kore"},
}
},
{
speaker: "Liam",
voiceConfig: {
prebuiltVoiceConfig: {voiceName: "Puck"},
}
}
]
}
}
}
});
}
// ..JavaScript code for exporting .wav file for output audio
await main();
Gerçek zamanlı konuşma üretme
Oluşturulan sesi, model tarafından oluşturulurken yayınlayabilirsiniz. Bu özellik, algılanan gecikmeyi azaltmak için kullanışlıdır.
Python
from google import genai
from google.genai import types
client = genai.Client()
response_stream = client.models.generate_content_stream(
model="gemini-3.1-flash-tts-preview",
contents="Say cheerfully: Have a wonderful day!",
config=types.GenerateContentConfig(
response_modalities=["AUDIO"],
speech_config=types.SpeechConfig(
voice_config=types.VoiceConfig(
prebuilt_voice_config=types.PrebuiltVoiceConfig(
voice_name='Kore',
)
)
),
)
)
for chunk in response_stream:
try:
data = chunk.candidates[0].content.parts[0].inline_data.data
# data contains raw PCM bytes (24kHz, 1-channel, 16-bit)
# Process the audio chunk (e.g., play it or write to a file)
except (IndexError, AttributeError):
pass
JavaScript
import {GoogleGenAI} from '@google/genai';
async function main() {
const ai = new GoogleGenAI({});
const responseStream = await ai.models.generateContentStream({
model: "gemini-3.1-flash-tts-preview",
contents: [{ parts: [{ text: 'Say cheerfully: Have a wonderful day!' }] }],
config: {
responseModalities: ['AUDIO'],
speechConfig: {
voiceConfig: {
prebuiltVoiceConfig: { voiceName: 'Kore' },
},
},
},
});
for await (const chunk of responseStream) {
const data = chunk.candidates?.[0]?.content?.parts?.[0]?.inlineData?.data;
if (data) {
const audioBuffer = Buffer.from(data, 'base64');
// Process the audio buffer
}
}
}
await main();
REST
curl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.1-flash-tts-preview:streamGenerateContent" \
-H "x-goog-api-key: $GEMINI_API_KEY" \
-X POST \
-H "Content-Type: application/json" \
-d '{
"contents": [{
"parts":[{
"text": "Say cheerfully: Have a wonderful day!"
}]
}],
"generationConfig": {
"responseModalities": ["AUDIO"],
"speechConfig": {
"voiceConfig": {
"prebuiltVoiceConfig": {
"voiceName": "Kore"
}
}
}
}
}'
Ses seçenekleri
TTS modelleri, voice_name alanında aşağıdaki 30 ses seçeneğini destekler:
| Zephyr -- Parlak | Puck -- Upbeat | Charon -- Bilgilendirici |
| Kore -- Firm | Fenrir -- Heyecanlı | Leda -- Genç |
| Orus -- Firm | Aoede -- Breezy | Callirrhoe -- Sakin |
| Autonoe -- Parlak | Enceladus -- Nefesli | Iapetus -- Temizle |
| Umbriel -- Rahat | Algieba -- Akış sorunsuz | Despina -- Akıcı |
| Erinome -- Temizle | Algenib -- Gravelly | Rasalgethi -- Bilgilendirici |
| Laomedeia -- Upbeat | Achernar -- Soft | Alnilam -- Firm |
| Schedar -- Eşit | Gacrux -- Yetişkin | Pulcherrima -- Yönlendir |
| Achird -- Dostu | Zubenelgenubi -- Basit | Vindemiatrix -- Nazik |
| Sadachbia -- Canlı | Sadaltager -- Bilgili | Sulafat -- Warm |
Tüm ses seçeneklerini AI Studio'da dinleyebilirsiniz.
Desteklenen diller
TTS modelleri, giriş dilini otomatik olarak algılar. Desteklenen diller:
| Dil | BCP-47 Kodu | Dil | BCP-47 Kodu |
|---|---|---|---|
| Arapça | ar | Filipince | fil |
| Bengalce | bn | Fince | fi |
| Felemenkçe | nl | Galiçyaca | gl |
| İngilizce | en | Gürcüce | ka |
| Fransızca | fr | Yunanca | el |
| Almanca | de | Güceratça | gu |
| Hintçe | hi | Haiti Creole Dili | ht |
| Endonezce | id | İbranice | o |
| İtalyanca | it | Macarca | hu |
| Japonca | ja | İzlandaca | : |
| Korece | ko | Cava dili | jv |
| Marathi | mr | Kannada | kn |
| Lehçe | pl | Konkani | kok |
| Portekizce | pt | Laoca | lo |
| Rumence | ro | Latince | la |
| Rusça | ru | Letonca | lv |
| İspanyolca | es | Litvanca | lt |
| Tamilce | ta | Lüksemburgca | lb |
| Telugu dili | te | Makedonca | mk |
| Tayca | th | Maithili dili | mai |
| Türkçe | tr | Malgaşça | mg |
| Ukraynaca | uk | Malayca | ms |
| Vietnamca | vi | Malayalam | ml |
| Afrikaanca | af | Moğolca | mn |
| Arnavutça | sq | Nepalce | ne |
| Amharca | öö | Norveççe, Bokmål | nb |
| Ermenice | hy | Norveççe, Yeni Norveççe | nn |
| Azerice | az | Oriya | veya |
| Baskça | eu | Peştuca | ps |
| Belarusça | be | Farsça | fa |
| Bulgarca | bg | Pencapça | pa |
| Burmaca | my | Sırpça | sr |
| Katalanca | ca | Sindice | sd |
| Sabuanca | ceb | Seylanca | si |
| Çince, Mandarin | cmn | Slovakça | sk |
| Hırvatça | s | Slovence | sl |
| Çekya | cs | Swahili | sw |
| Danca | da | İsveççe | sv |
| Estonca | et | Urduca | UR |
Desteklenen modeller
| Model | Tek konuşmacı | Çok hoparlörlü |
|---|---|---|
| Gemini 3.1 Flash TTS Önizlemesi | ✔️ | ✔️ |
| Gemini 2.5 Flash Preview TTS | ✔️ | ✔️ |
| Gemini 2.5 Pro Önizleme TTS | ✔️ | ✔️ |
İstem yazma kılavuzu
Gemini tümleşik ses üretimi Text-to-Speech (TTS) modeli, ne söyleyeceğini değil, nasıl söyleyeceğini de bilen bir büyük dil modeli kullanarak geleneksel TTS modellerinden ayrılır.
Model, kutudan çıktığı haliyle transkripti doğal olarak yorumlar ve kelimelerinizin nasıl iletilmesi gerektiğini belirler. Ek istem içermeyen basit transkriptler doğal bir şekilde okunur. Ancak Gemini TTS, yönlendirmek için kullanabileceğiniz araçlarla da birlikte gelir.
Bu kılavuzun amacı, ses deneyimleri geliştirirken temel yönlendirme sunmak ve fikirler üretmektir. Hızlı satır içi kontrol için Etiketler ile başlayacağız. Ardından, tam performans yönlendirmesi için gelişmiş İstem yapılarını inceleyeceğiz.
Ses etiketleri
Etiketler, yayını ayrıntılı bir şekilde kontrol etmenizi sağlayan [whispers] veya [laughs] gibi satır içi değiştiricilerdir. Bunları, transkriptin bir satırının veya bölümünün tonunu, hızını ve duygusal atmosferini değiştirmek için kullanabilirsiniz. Ayrıca bu sesleri kullanarak performansa ünlem ve birkaç başka sözel olmayan ses de ekleyebilirsiniz. Örneğin, [cough], [sighs] veya [gasp].
Hangi etiketlerin işe yaradığına ve yaramadığına dair kapsamlı bir liste yoktur. Çıkışın nasıl değiştiğini görmek için farklı duygular ve ifadelerle denemeler yapmanızı öneririz.
Transkriptiniz İngilizce değilse en iyi sonuçları elde etmek için yine de İngilizce ses etiketleri kullanmanızı öneririz.
Ses etiketlerini yaratıcı bir şekilde kullanın
Ses etiketleriyle elde edebileceğiniz değişkenliği göstermek için, her biri aynı şeyi söyleyen ancak kullanılan etiketlere göre farklı şekilde sunulan bir dizi örnek aşağıda verilmiştir.
Bir satırın başına etiket ekleyerek konuşmacının heyecanlı, sıkılmış veya isteksiz olmasını sağlayıp konuşmanın vurgusunu değiştirebilirsiniz:
[excitedly]Merhaba, ben yeni bir metin okuma modeliyim ve birçok farklı şekilde konuşabilirim. Bugün size nasıl yardımcı olabilirim?[bored]Merhaba, ben yeni bir metin okuma modeliyim…[reluctantly]Merhaba, ben yeni bir metin okuma modeliyim…
Etiketler, yayın hızını değiştirmek veya hızı vurguyla birleştirmek için de kullanılabilir:
[very fast]Merhaba, ben yeni bir metin okuma modeliyim…[very slow]Merhaba, ben yeni bir metin okuma modeliyim…[sarcastically, one painfully slow word at a time]Merhaba, ben yeni bir metin okuma modeliyim…
Ayrıca belirli bölümler üzerinde hassas kontrol sahibi olursunuz. Yani bir bölümü fısıldayabilir, diğerini bağırabilirsiniz.
[whispers]Merhaba, ben yeni bir metin okuma modeliyim[shouting]ve birçok farklı şekilde konuşabilirim.[whispers]Bugün size nasıl yardımcı olabilirim?
Dilediğiniz reklam öğesi fikrini de deneyebilirsiniz:
[like a cartoon dog]Merhaba, ben yeni bir metin okuma modeliyim…[like dracula]Merhaba, ben yeni bir metin okuma modeliyim…
En çok tercih edilen etiketler şunlardır:
[amazed] |
[crying] |
[curious] |
[excited] |
[sighs] |
[gasp] |
[giggles] |
[laughs] |
[mischievously] |
[panicked] |
[sarcastic] |
[serious] |
[shouting] |
[tired] |
[trembling] |
[whispers] |
Etiketler, transkriptinizin yayınlanması üzerinde hızlı ve kolay kontrol sağlar. Daha da fazla kontrol için bunları bir bağlam istemiyle birleştirerek performansın genel tonunu ve atmosferini ayarlayabilirsiniz.
Gelişmiş istemler
Gelişmiş istemleri, modelin uyması gereken bir sistem talimatı olarak düşünebilirsiniz. Bu, modele daha fazla bağlam sunmanın ve performansı kontrol etmenin bir yoludur.
Güçlü bir istem, ideal olarak mükemmel bir performans oluşturmak için bir araya gelen aşağıdaki öğeleri içerir:
- Ses Profili: Ses için bir karakter oluşturur. Karakter kimliğini, arketipini ve yaş, geçmiş vb. diğer özellikleri tanımlar.
- Sahne: Ortamı hazırlar. Hem fiziksel ortamı hem de "atmosferi" açıklar.
- Yönetmen Notları: Sanal karakterinizin dikkate alması gereken talimatları ayrıntılı olarak inceleyebileceğiniz performans rehberliği. Örnekler arasında stil, nefes, tempo, telaffuz ve vurgu yer alır.
- Örnek bağlam: Modele bağlamsal bir başlangıç noktası sağlar. Böylece sanal aktörünüz, oluşturduğunuz sahneye doğal bir şekilde girer.
- Transkript: Modelin seslendireceği metin. En iyi performans için transkript konusunun ve yazım stilinin verdiğiniz talimatlarla ilişkili olması gerektiğini unutmayın.
- Ses etiketleri: Metnin ilgili bölümünün nasıl okunacağını değiştirmek için transkripte ekleyebileceğiniz değiştiricilerdir (ör.
[whispers]veya[shouting]).
Tam istem örneği:
# AUDIO PROFILE: Jaz R.
## "The Morning Hype"
## THE SCENE: The London Studio
It is 10:00 PM in a glass-walled studio overlooking the moonlit London skyline,
but inside, it is blindingly bright. The red "ON AIR" tally light is blazing.
Jaz is standing up, not sitting, bouncing on the balls of their heels to the
rhythm of a thumping backing track. Their hands fly across the faders on a
massive mixing desk. It is a chaotic, caffeine-fueled cockpit designed to wake
up an entire nation.
### DIRECTOR'S NOTES
Style:
* The "Vocal Smile": You must hear the grin in the audio. The soft palate is
always raised to keep the tone bright, sunny, and explicitly inviting.
* Dynamics: High projection without shouting. Punchy consonants and elongated
vowels on excitement words (e.g., "Beauuutiful morning").
Pace: Speaks at an energetic pace, keeping up with the fast music. Speaks
with A "bouncing" cadence. High-speed delivery with fluid transitions — no dead
air, no gaps.
Accent: Jaz is from Brixton, London
### SAMPLE CONTEXT
Jaz is the industry standard for Top 40 radio, high-octane event promos, or any
script that requires a charismatic Estuary accent and 11/10 infectious energy.
#### TRANSCRIPT
[excitedly] Yes, massive vibes in the studio! You are locked in and it is
absolutely popping off in London right now. If you're stuck on the tube, or
just sat there pretending to work... stop it. Seriously, I see you.
[shouting] Turn this up! We've got the project roadmap landing in three,
two... let's go!
Ayrıntılı istem stratejileri
İstemin her bir öğesini inceleyelim.
Ses Profili
Karakterin kişiliğini kısaca açıklayın.
- Ad. Karakterinize ad vermek, modeli ve performansını bir araya getirmenize yardımcı olur. Sahneyi ve bağlamı ayarlarken karakterden adıyla bahsedin.
- Rol Sahnedeki karakterin temel kimliği ve arketipi. Örneğin, radyo DJ'i, podcast yayıncısı, haber muhabiri vb.
Örnekler:
# AUDIO PROFILE: Jaz R.
## "The Morning Hype"
# AUDIO PROFILE: Monica A.
## "The Beauty Influencer"
Sahne
Konum, ruh hali ve ortamla ilgili ayrıntılar da dahil olmak üzere sahnenin bağlamını belirleyin. Bu ayrıntılar, tonu ve atmosferi oluşturur. Karakterin etrafında neler olduğunu ve bunun karakteri nasıl etkilediğini açıklayın. Sahne, etkileşimin tamamı için çevresel bağlamı sağlar ve oyunculuk performansını ince ve doğal bir şekilde yönlendirir.
Örnekler:
## THE SCENE: The London Studio
It is 10:00 PM in a glass-walled studio overlooking the moonlit London skyline,
but inside, it is blindingly bright. The red "ON AIR" tally light is blazing.
Jaz is standing up, not sitting, bouncing on the balls of their heels to the
rhythm of a thumping backing track. Their hands fly across the faders on a
massive mixing desk. It is a chaotic, caffeine-fueled cockpit designed to
wake up an entire nation.
## THE SCENE: Homegrown Studio
A meticulously sound-treated bedroom in a suburban home. The space is
deadened by plush velvet curtains and a heavy rug, but there is a
distinct "proximity effect."
Yönetmen notları
Bu önemli bölümde, performansla ilgili özel yönergeler yer alır. Diğer tüm öğeleri atlayabilirsiniz ancak bu öğeyi eklemenizi öneririz.
Yalnızca performans için önemli olanı tanımlayın ve aşırı belirtmemeye dikkat edin. Çok fazla katı kural, modellerin yaratıcılığını sınırlar ve daha kötü bir performansa yol açabilir. Rol ve sahne açıklamasını, belirli performans kurallarıyla dengeleyin.
En yaygın talimatlar Stil, Tempo ve Vurgu'dur ancak model bunlarla sınırlı değildir ve bunları gerektirmez. Performansınız için önemli olan ek ayrıntıları kapsayacak özel talimatlar ekleyebilir ve gerektiği kadar ayrıntılı veya az bilgi verebilirsiniz.
Örneğin:
### DIRECTOR'S NOTES
Style: Enthusiastic and Sassy GenZ beauty YouTuber
Pacing: Speaks at an energetic pace, keeping up with the extremely fast, rapid
delivery influencers use in short form videos.
Accent: Southern california valley girl from Laguna Beach |
Stil:
Oluşturulan konuşmanın üslubunu ve stilini belirler. Performansa yön vermek için neşeli, enerjik, rahat, sıkılmış gibi ifadeler ekleyin. Açıklayıcı olun ve gerektiği kadar ayrıntı verin: "Bulaşıcı bir coşku. Dinleyici, büyük ve heyecan verici bir topluluk etkinliğinin parçası olduğunu hissetmeli." ifadesi, "Enerjik ve coşkulu" ifadesinden daha iyi sonuç veriyor.
Hatta seslendirme sektöründe popüler olan "vokal gülümsemesi" gibi terimleri de deneyebilirsiniz. İstediğiniz sayıda stil özelliği ekleyebilirsiniz.
Örnekler:
Simple Emotion
DIRECTORS NOTES
...
Style: Frustrated and angry developer who can't get the build to run.
...
Daha fazla derinlik
DIRECTORS NOTES
...
Style: Sassy GenZ beauty YouTuber, who mostly creates content for YouTube Shorts.
...
Karmaşık
DIRECTORS NOTES
Style:
* The "Vocal Smile": You must hear the grin in the audio. The soft palate is
always raised to keep the tone bright, sunny, and explicitly inviting.
*Dynamics: High projection without shouting. Punchy consonants and
elongated vowels on excitement words (e.g., "Beauuutiful morning").
Aksan:
İstediğiniz aksanı açıklayın. Ne kadar ayrıntılı olursanız sonuçlar o kadar iyi olur. Örneğin, "British English accent as heard in Croydon, England" (İngiltere, Croydon'da duyulan İngiliz İngilizcesi aksanı) yerine "British Accent" (İngiliz aksanı) kullanın.
Örnekler:
### DIRECTORS NOTES
...
Accent: Southern california valley girl from Laguna Beach
...
### DIRECTORS NOTES
...
Accent: Jaz is a DJ from Brixton, London
...
İlerleme hızı:
Parça boyunca genel tempo ve tempo değişimi.
Örnekler:
Basit
### DIRECTORS NOTES
...
Pacing: Speak as fast as possible
...
Daha fazla derinlik
### DIRECTORS NOTES
...
Pacing: Speaks at a faster, energetic pace, keeping up with fast paced music.
...
Karmaşık
### DIRECTORS NOTES
...
Pacing: The "Drift": The tempo is incredibly slow and liquid. Words bleed into each other. There is zero urgency.
...
Transkript ve ses etiketleri
Transkript, modelin söyleyeceği kelimelerin bire bir aynısıdır. Ses etiketi, köşeli parantez içindeki bir kelimedir. Bu kelime, bir şeyin nasıl söylenmesi gerektiğini, ton değişikliğini veya araya giren bir ifadeyi gösterir.
### TRANSCRIPT
I know right, [sarcastically] I couldn't believe it. [whispers] She should have totally left
at that point.
[cough] Well, [sighs] I guess it doesn't matter now.
Deneyin
AI Studio'da bu örneklerden bazılarını kendiniz deneyin, TTS uygulamamızla oynayın ve Gemini'ın sizi yönetmen koltuğuna oturtmasına izin verin. Harika vokal performansları için şu ipuçlarını aklınızda bulundurun:
- Tüm istemin tutarlı olmasına dikkat edin. Senaryo ve yönlendirme, harika bir performans oluşturmak için birlikte çalışır.
- Her şeyi açıklamanız gerekmez. Bazen boşlukları doldurması için modele alan bırakmak doğallığı artırır (Tıpkı yetenekli bir oyuncu gibi).
- Takıldığınız noktalarda Gemini'dan yardım alarak senaryonuzu veya performansınızı şekillendirebilirsiniz.
Sınırlamalar
- TTS modelleri yalnızca metin girişleri alabilir ve ses çıkışları oluşturabilir.
- TTS oturumunun bağlam penceresi sınırı 32 bin jetondur.
- Dil desteği için Diller bölümünü inceleyin.
- TTS, 3.1 sürümünden eski modellerde akışı desteklemez (
gemini-3.1-flash-tts-previewve daha yeni sürümlerde akış desteklenir).
Konuşma üretimi için Gemini 3.1 Flash TTS Önizleme modeli kullanılırken özellikle aşağıdaki kısıtlamalar geçerlidir:
- İstem talimatlarıyla tutarsız ses: Modelin çıktısı her zaman seçilen konuşmacıyla tam olarak eşleşmeyebilir. Bu durumda ses, beklenenden farklı duyulur. Uyumsuz tonları (ör. genç bir kız gibi konuşmaya çalışan derin bir erkek sesi) önlemek için isteminizin yazılı tonunun ve bağlamının, seçilen konuşmacının profiliyle doğal olarak uyumlu olduğundan emin olun.
- Daha uzun çıkışların kalitesi: Konuşma kalitesi ve tutarlılığı, birkaç dakikadan uzun olan oluşturulmuş çıkışlarda değişmeye başlayabilir. Transkriptlerinizi daha küçük parçalara bölmenizi öneririz.
- Bazen metin jetonları döndürülüyor: Model, bazen ses jetonları yerine metin jetonları döndürerek sunucunun
500hatasıyla isteği başarısız olmasına neden oluyor. Bu durum, isteklerin çok küçük bir yüzdesinde rastgele gerçekleştiğinden, bu durumları işlemek için uygulamanızda otomatik yeniden deneme mantığı uygulamanız gerekir. - İstem sınıflandırıcısının yanlış reddetmeleri: Belirsiz istemler, konuşma sentezi sınıflandırıcısını tetikleyemeyebilir. Bu durumda istek reddedilir (
PROHIBITED_CONTENT) veya model, stil talimatlarınızı ve yönetmen notlarınızı yüksek sesle okur. Modele konuşma sentezleme talimatı veren net bir giriş ekleyerek ve gerçek konuşulan transkriptin başladığı yeri açıkça etiketleyerek istemlerinizi doğrulayın.
Sırada ne var?
- Ses üreten model çözüm kitabını deneyin.
- Gemini'ın Live API'si, diğer yöntemlerle birlikte kullanabileceğiniz etkileşimli ses üretme seçenekleri sunar.
- Ses girişleriyle çalışma hakkında bilgi edinmek için Ses yorumlama rehberini inceleyin.