Dizajni i zërit

Dizajni i zërit ju lejon të krijoni një personazh vokal krejt të ri dhe të vazhdueshëm nga një përshkrim në gjuhë natyrale duke përdorur pikën fundore të Gemini API Voices ( POST /v1beta/voices ). Në vend që të kufizoheni vetëm në zëra të parapërgatitur ose në regjistrimin e audios referuese, mund të përshkruani moshën e një personazhi, timbrin vokal, theksin dhe transmetimin bazë, dhe të merrni një ID voice_... të ripërdorshëm të ruajtur në projektin tuaj.

Mënyra më e shpejtë për të dizajnuar, provuar dhe përsëritur zërat e personalizuar është me studion interaktive të Dizajnit të Zërit në Google AI Studio . Mund të gjeneroni personazhe të personalizuara nga udhëzimet me tekst, t'i testoni ato me skripte shembullore dhe të kopjoni ID-në voice_... që rezulton direkt në kodin e aplikacionit tuaj.

Si Gemini 3.8 Flash TTS ( gemini-3.8-flash-tts ) ashtu edhe Gemini 3.8 Flash-Lite TTS ( gemini-3.8-flash-lite-tts ) mbështesin dizajnin me zë.

Krijoni një zë të dizajnuar

Përdorni SDK-në Google GenAI ( google-genai 2.25.0+ / @google/genai 2.24.0+) ose REST API për të krijuar një zë të personalizuar nga një përshkrim teksti. Për zërat "prompted" , si voices.create ( CreateVoice ) ashtu edhe voices.get ( GetVoice ) kthejnë një fushë sample_audio vetëm për dalje ( mime_type: "audio/wav" , data të koduara në base64) në mënyrë që të mund ta dëgjoni menjëherë zërin e gjeneruar:

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")
  );
}

PUSHTIM 

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

Si funksionon dizajni i zërit

  1. Krijo një zë të nxitur: Thirr voices.create ( POST /v1beta/voices ) me type="prompted" dhe store=True .
  2. Merrni një pamje paraprake të përhershme voice_id dhe sample_audio : API gjeneron identitetin vokal, e ruan atë në projektin tuaj dhe kthen një ID të përhershëm (për shembull, voice_abc123... ) së bashku me sample_audio ( mime_type: "audio/wav" , data të enkoduara në base64) që përmban pamjen paraprake audio të gjeneruar për zërin.
  3. Sintetizoni të folurit: Kaloni voice_id kudo që pranohet një emër zëri në kërkesat tuaja të sintezës.

Sintetizoni fjalimin me zërin tuaj të dizajnuar

Pasi të keni krijuar një zë, kaloni id në e tij ( voice_... ) te Interactions API për të gjeneruar të folur:

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"));

PUSHTIM 

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"}
      ]
    }
  }'

Menaxho zërat e tu

Ju mund të listoni, filtroni, inspektoni dhe fshini zërat tuaj të ruajtur në çdo kohë duke përdorur API-në e Zërave (shihni Biblioteka e Zërit e Zgjeruar dhe filtrimi për të gjithë parametrat e filtrit).

  • Limitet e ruajtjes dhe TTL: Zërat me status ( store=True , të ndarë midis zërave të nxitur dhe të replikuar) kanë një limit prej 200 zërash për projekt dhe një TTL (kohëzgjatje jetese) 1-vjeçare .

  • sample_audio disponueshmëria: voices.create() ( CreateVoice ) dhe voices.get() ( GetVoice ) popullojnë sample_audio ( mime_type: "audio/wav" , data të enkoduara në base64) për zërat "prompted" . Për ta mbajtur listën të lehtë, voices.list() ( ListVoices ) lë jashtë sample_audio (dhe sample_audio nuk është i caktuar për zërat "replicated" dhe "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);

PUSHTIM 

# 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"

Nxitja e praktikave më të mira për dizajnin e zërit

  • Vendosni tipare të përhershme vokale në dizajnin e zërit, jo style : Përcaktoni karakteristika të pandryshueshme - të tilla si mosha, gjinia, timbri, tekstura vokale dhe theksi rajonal - kur krijoni zërin në voices.create . krijoni.
  • Rezervoni speech_metadata.style për emocione situacionale: Pasi të keni krijuar zërin tuaj të personalizuar, përdorni sugjerime të shkurtra style (për shembull, "whispered urgently" ose "cheerful and energetic" ) për të drejtuar veprimet kthesë pas kthese pa ndryshuar identitetin thelbësor të folësit.
  • Ji specifik dhe konciz: Një përshkrim i qartë prej 1-2 fjalish (si p.sh. "Një spikere sportive e qartë dhe energjike në të 30-at me një theks të lehtë të Midwest" ) prodhon rezultate më të pastra dhe më të qëndrueshme sesa paragrafët kontradiktues ose tepër të gjatë.

Çfarë vjen më pas