Projektowanie głosu

Projektowanie głosu umożliwia utworzenie zupełnie nowej, trwałej osobowości głosowej na podstawie opisu w języku naturalnym za pomocą punktu końcowego Gemini API Voices (POST /v1beta/voices). Zamiast ograniczać się do gotowych głosów lub nagrywania dźwięku referencyjnego, możesz opisać wiek postaci, barwę głosu, akcent i podstawowy sposób mówienia, a następnie otrzymać identyfikator voice_..., który można ponownie wykorzystać i który jest zapisany w Twoim projekcie.

Najszybszym sposobem na projektowanie, testowanie i ulepszanie niestandardowych głosów jest interaktywne studio Voice Design w Google AI Studio. Możesz generować niestandardowe persony na podstawie promptów tekstowych, testować je za pomocą przykładowych skryptów i kopiować uzyskany identyfikator voice_... bezpośrednio do kodu aplikacji.

Zarówno Gemini 3.8 Flash TTS (gemini-3.8-flash-tts), jak i Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) obsługują projektowanie głosu.

Tworzenie zaprojektowanego głosu

Użyj pakietu Google GenAI SDK (google-genai 2.25.0+ / @google/genai 2.24.0+) lub interfejsu REST API, aby utworzyć niestandardowy głos na podstawie opisu tekstowego. W przypadku głosów "prompted" zarówno voices.create (CreateVoice), jak i voices.get (GetVoice) zwracają pole sample_audio (mime_type: "audio/wav", zakodowane w formacie base64 data) tylko do odczytu, dzięki czemu możesz od razu odsłuchać wygenerowany głos:

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

Jak działa projektowanie głosowe

  1. Utwórz głos na podstawie prompta: zadzwoń pod numer voices.create (POST /v1beta/voices)type="prompted" i store=True.
  2. Otrzymywanie trwałego podglądu voice_id i sample_audio: interfejs API generuje tożsamość głosową, zapisuje ją w projekcie i zwraca trwały identyfikator (np. voice_abc123...) wraz z sample_audio (mime_type: "audio/wav", zakodowany w formacie base64 data) zawierającym wygenerowany podgląd dźwięku głosu.
  3. Synthesize speech: przekaż voice_id w dowolnym miejscu, w którym w żądaniach syntezy akceptowana jest nazwa głosu.

Syntezowanie mowy za pomocą zaprojektowanego głosu

Po utworzeniu głosu przekaż jego id (voice_...) do interfejsu Interactions API, aby wygenerować mowę:

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"}
      ]
    }
  }'

Zarządzanie głosami

W dowolnym momencie możesz wyświetlić listę zapisanych głosów, filtrować je, sprawdzać i usuwać za pomocą interfejsu Voices API (wszystkie parametry filtrowania znajdziesz w sekcji Rozszerzona biblioteka głosów i filtrowanie).

  • Limity miejsca na dane i czas życia danych: głosy stanowe (store=True, współdzielone w przypadku głosów wygenerowanych na podstawie promptu i replikowanych) mają limit 200 głosów na projekt i 1-roczny czas życia danych.

  • sample_audio dostępność: voices.create() (CreateVoice) i voices.get() (GetVoice) wypełniają sample_audio (mime_type: "audio/wav", zakodowane w formacie base64 data) dla głosów "prompted". Aby uprościć listę, voices.list() (ListVoices) pomija sample_audio (a w przypadku głosów "replicated" i "prebuilt" parametr sample_audio jest nieustawiony).

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"

Sprawdzone metody tworzenia promptów w projektowaniu głosowym

  • Stałe cechy głosu umieszczaj w projekcie Voice, a nie w style: podczas tworzenia głosu w voices.create określ niezmienne cechy, takie jak wiek, płeć, barwa, tekstura głosu i akcent regionalny.
  • Zarezerwuj speech_metadata.style na emocje sytuacyjne: po utworzeniu niestandardowego głosu używaj krótkich promptów style (np. "whispered urgently" lub "cheerful and energetic"), aby kierować działaniami krok po kroku bez zmiany podstawowej tożsamości mówcy.
  • Podawaj konkretne i zwięzłe informacje: jasny opis w 1–2 zdaniach (np. „Energiczna, wyrazista spikerka sportowa po trzydziestce z lekkim akcentem środkowo-zachodnim”) daje lepsze i bardziej spójne wyniki niż sprzeczne lub zbyt długie akapity.

Co dalej?