Design de voz

Com o design de voz, é possível criar uma persona vocal persistente e inédita com uma descrição em linguagem natural usando o endpoint Voices da API Gemini (POST /v1beta/voices). Em vez de ficar limitado a vozes pré-criadas ou gravar áudio de referência, você pode descrever a idade, o timbre, o sotaque e a entonação de um personagem e receber um ID voice_... reutilizável salvo no seu projeto.

A maneira mais rápida de criar, testar e iterar vozes personalizadas é com o estúdio interativo Voice Design no Google AI Studio. Você pode gerar personas personalizadas com comandos de texto, testá-las com scripts de exemplo e copiar o ID voice_... resultante diretamente no código do aplicativo.

O Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) e o Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) são compatíveis com o design de voz.

Criar uma voz projetada

Use o SDK da GenAI do Google (google-genai 2.25.0+ / @google/genai 2.24.0+) ou a API REST para criar uma voz personalizada com base em uma descrição de texto. Para vozes "prompted", voices.create (CreateVoice) e voices.get (GetVoice) retornam um campo sample_audio somente de saída (mime_type: "audio/wav", data codificado em base64) para que você possa testar imediatamente a voz gerada:

Python

import base64
from google import genai

client = genai.Client()

# 1. Design a custom voice persona from natural language
created_voice = client.voices.create(
    store=True,
    voice={
        "model": "gemini-3.8-flash-tts",
        "type": "prompted",
        "display_name": "Warm British Astronomer",
        "gender": "male",
        "language_code": "en-GB",
        "prompted": {
            "input": (
                "A warm, thoughtful astronomer in his late 60s with a gentle"
                " British accent, speaking with quiet wonder."
            )
        },
    },
)

print(f"Created voice ID: {created_voice.id}")

# Save the generated sample_audio preview (audio/wav) returned by CreateVoice
if created_voice.sample_audio and created_voice.sample_audio.data:
    with open("voice_preview.wav", "wb") as f:
        f.write(base64.b64decode(created_voice.sample_audio.data))

JavaScript

import * as fs from "node:fs";
import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI();

// 1. Design a custom voice persona from natural language
const createdVoice = await ai.voices.create({
  store: true,
  voice: {
    model: "gemini-3.8-flash-tts",
    type: "prompted",
    display_name: "Warm British Astronomer",
    gender: "male",
    language_code: "en-GB",
    prompted: {
      input:
        "A warm, thoughtful astronomer in his late 60s with a gentle British accent, speaking with quiet wonder.",
    },
  },
});

console.log(`Created voice ID: ${createdVoice.id}`);

// Save the generated sample_audio preview (audio/wav) returned by CreateVoice
if (createdVoice.sample_audio?.data) {
  fs.writeFileSync(
    "voice_preview.wav",
    Buffer.from(createdVoice.sample_audio.data, "base64")
  );
}

REST

curl "https://generativelanguage.googleapis.com/v1beta/voices" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -X POST \
  -d '{
    "store": true,
    "voice": {
      "model": "gemini-3.8-flash-tts",
      "type": "prompted",
      "display_name": "Warm British Astronomer",
      "gender": "male",
      "language_code": "en-GB",
      "prompted": {
        "input": "A warm, thoughtful astronomer in his late 60s with a gentle British accent, speaking with quiet wonder."
      }
    }
  }' | tee created_voice.json | jq -r '.sample_audio.data' | base64 --decode > voice_preview.wav

Como funciona o design de voz

  1. Criar uma voz com comando:chame voices.create (POST /v1beta/voices) com type="prompted" e store=True.
  2. Receber uma prévia persistente de voice_id e sample_audio:a API gera a identidade vocal, armazena no seu projeto e retorna um ID permanente (por exemplo, voice_abc123...) junto com sample_audio (mime_type: "audio/wav", data codificado em base64) contendo o áudio de prévia gerado para a voz.
  3. Sintetizar fala:transmita o voice_id em qualquer lugar em que um nome de voz seja aceito nas suas solicitações de síntese.

Sintetizar a fala com a voz criada

Depois de criar uma voz, transmita o id (voice_...) dela para a API Interactions para gerar fala:

Python

import base64
from google import genai

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-3.8-flash-tts",
    input=[{
        "type": "user_input",
        "content": [{
            "type": "text",
            "text": (
                "Look out past the rings of Saturn. Those faint photons left"
                " their source millions of years ago."
            ),
            "annotations": [{
                "type": "speech_metadata",
                "style": "reflective and awe-inspired",
            }],
        }],
    }],
    response_format={"type": "audio"},
    generation_config={
        "speech_config": [
            {"voice": created_voice.id},
        ]
    },
)

with open("designed_voice.wav", "wb") as f:
    f.write(base64.b64decode(interaction.output_audio.data))

JavaScript

import * as fs from "node:fs";
import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI();

const interaction = await ai.interactions.create({
  model: "gemini-3.8-flash-tts",
  input: [{
    type: "user_input",
    content: [{
      type: "text",
      text: "Look out past the rings of Saturn. Those faint photons left their source millions of years ago.",
      annotations: [{
        type: "speech_metadata",
        style: "reflective and awe-inspired",
      }],
    }],
  }],
  response_format: { type: "audio" },
  generation_config: {
    speech_config: [
      { voice: createdVoice.id },
    ],
  },
});

fs.writeFileSync("designed_voice.wav", Buffer.from(interaction.output_audio.data, "base64"));

REST

curl "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -X POST \
  -d '{
    "model": "gemini-3.8-flash-tts",
    "input": [{
      "type": "user_input",
      "content": [{
        "type": "text",
        "text": "Look out past the rings of Saturn. Those faint photons left their source millions of years ago.",
        "annotations": [{
          "type": "speech_metadata",
          "style": "reflective and awe-inspired"
        }]
      }]
    }],
    "response_format": {"type": "audio"},
    "generation_config": {
      "speech_config": [
        {"voice": "voice_YOUR_DESIGNED_VOICE_ID"}
      ]
    }
  }'

Gerenciar suas vozes

É possível listar, filtrar, inspecionar e excluir as vozes armazenadas a qualquer momento usando a API Voices. Consulte Biblioteca de vozes estendida e filtragem para conferir todos os parâmetros de filtro.

  • Limites de armazenamento e TTL:as vozes com estado (store=True, compartilhadas entre vozes solicitadas e replicadas) têm um limite de 200 vozes por projeto e um TTL de um ano (tempo de vida).

  • Disponibilidade do sample_audio:voices.create() (CreateVoice) e voices.get() (GetVoice) preenchem sample_audio (mime_type: "audio/wav", data codificado em base64) para vozes "prompted". Para manter a lista leve, voices.list() (ListVoices) omite sample_audio (e sample_audio não é definido para vozes "replicated" e "prebuilt").

Python

from google import genai

client = genai.Client()

# List stored prompted voices in your project filtered by language
response = client.voices.list(
    type_=["prompted"],
    language_code=["en-US", "en-GB"],
)
for voice in response.voices or []:
    print(voice.id, voice.display_name, voice.type)

# Retrieve a specific voice by ID
voice_details = client.voices.get(id=created_voice.id)

# Delete a stored custom voice
client.voices.delete(id=created_voice.id)

JavaScript

import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI();

// List stored prompted voices in your project filtered by language
const response = await ai.voices.list({
  type: ["prompted"],
  language_code: ["en-US", "en-GB"],
});
for (const voice of response.voices ?? []) {
  console.log(voice.id, voice.display_name, voice.type);
}

// Retrieve a specific voice by ID
const voiceDetails = await ai.voices.get(createdVoice.id);

// Delete a stored custom voice
await ai.voices.delete(createdVoice.id);

REST

# List stored prompted voices filtered by language
curl -G "https://generativelanguage.googleapis.com/v1beta/voices" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  --data-urlencode "type=prompted" \
  --data-urlencode "language_code=en-US" \
  --data-urlencode "language_code=en-GB"

# Retrieve a specific voice by ID
curl "https://generativelanguage.googleapis.com/v1beta/voices/voice_YOUR_DESIGNED_VOICE_ID" \
  -H "x-goog-api-key: $GEMINI_API_KEY"

# Delete a stored custom voice
curl -X DELETE "https://generativelanguage.googleapis.com/v1beta/voices/voice_YOUR_DESIGNED_VOICE_ID" \
  -H "x-goog-api-key: $GEMINI_API_KEY"

Práticas recomendadas para comandos no design de voz

  • Coloque traços vocais permanentes no design de voz, não em style:defina características imutáveis, como idade, gênero, timbre, textura vocal e sotaque regional, ao criar a voz em voices.create.
  • Reserve speech_metadata.style para emoções situacionais:depois de criar sua voz personalizada, use comandos curtos de style (por exemplo, "whispered urgently" ou "cheerful and energetic") para direcionar a navegação guiada sem alterar a identidade principal do falante.
  • Seja específico e conciso:uma descrição clara de uma ou duas frases (como "Uma locutora esportiva enérgica e dinâmica na casa dos 30 anos com um leve sotaque do meio-oeste") produz resultados mais limpos e consistentes do que parágrafos contraditórios ou muito longos.

A seguir