Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview je edice pro převod textu na řeč z rodiny Gemini 3.1 Flash Audio. Přijímá text a vytváří mluvený zvuk s expresivitou řízenou promptem. Google tuto generaci popisuje jako zlepšení přirozenosti řeči, ovladatelnosti a vícejazyčného výkonu s nativním dialogem více mluvčích a více než 70 jazyky. Praktickým použitím je krátká namluvená lekce, výměna mezi postavami nebo mluvená pasáž, u níž na přednesu záleží stejně jako na znění.

Připravte hotový scénář a zadání přednesu. Tato generace používá pokyny v přirozeném jazyce uvnitř textového vstupu k vedení hlasového stylu, tempa a přednesu. Vydání Googlu zavádí scénické pokyny pro stanovení situace, Audio Profiles mluvčích pro definování postav a Director’s Notes pro vedení tempa, tónu a přízvuku. Při přípravě promptu udržujte tyto části rozpoznatelné, aby bylo možné zamýšlená slova a pokyny k přednesu kontrolovat odděleně. Úsporné zadání se reviduje snáze než několik vzájemně soupeřících popisů stejného hlasu.

Originální zadání zkoušky může například popsat klidného vypravěče vysvětlujícího muzejní exponát s rozvážným frázováním a vřelejším tónem v poslední větě. Doprovodný scénář by měl obsahovat skutečné názvy exponátu a přesné znění, které má zaznít. U dialogu přiřaďte postavám odlišné profily a jasnou posloupnost replik. Kontextem scény vysvětlete, zda jeden mluvčí druhého uklidňuje, pokládá upřímnou otázku nebo reaguje zdrženlivým překvapením. Generovaným výstupem k posouzení je slyšitelný přednes tohoto scénáře.

Vložené zvukové značky přidávají lokální ovládání uvnitř textu a umožňují změnu výrazu mluvčího v průběhu věty namísto úplného spoléhání na úvodní pokyny. Google značky popisuje jako ovládání hlasového stylu, tempa a přednesu. Používejte je tam, kde přednes potřebuje konkrétní posun, a zbytek znění ponechte přirozený k vyslovení. Užitečným rozlišením v této edici je rozdíl mezi obecným zadáním postavy či scény a lokální změnou přednesu. Krátká neutrální pasáž může stanovit základní hlas před přidáním emocionálnějších pokynů do scénáře.

U vícejazyčné práce poskytněte scénář v konečném jazyce a v zadání uveďte požadovaný přízvuk a styl mluvy. Oznámení Googlu dokumentuje podporu více než 70 jazyků. V rámci praktické redakční přípravy používejte jeden jednotný zápis opakujících se jmen, rozepište nejednoznačné zkratky, pokud je vyžadováno jediné čtení, a zkontrolujte čísla v mluveném výsledku. Samotné označení jazyka neurčuje, jak má znít značka nebo přejatý výraz. Před přijetím dlouhého vyprávění porovnejte pasáže obsahující tyto výrazy se zamýšleným čtením.

Přesná stránka modelu Gemini API uvádí pro tento model preview vstupní limit 8,192 tokenů a výstupní limit 16,384 tokenů. Nativní karta modelu TTS od DeepMind samostatně uvádí textový vstup až 16K tokenů a zvukový výstup 32K tokenů; tyto údaje z karty modelu jsou odlišné od provozních limitů Gemini API. Do připraveného vstupu započítejte pokyny k přednesu stejně jako scénář. Prostor pro výstup je vyjádřen ve zvukových tokenech, takže nezaručuje konkrétní délku nahrávky. Dlouhou lekci nebo příběh uspořádejte do souvislých částí, zachovejte stejné zadání postavy a poslechněte spoje. U dialogu podle scénáře vedle mluvených slov a emocionálního přednesu zkontrolujte také přiřazení a pořadí replik.

Migrační dokumentace Googlu označuje výchozí výstup 3.1 jako surové PCM bez hlavičky s typem audio/l16. Při přípravě upravitelné nahrávky potřebují zvukové bajty odpovídající informace pro přehrávání nebo kontejner; samotné přidání názvu souboru WAV nevytvoří hlavičku WAV. Před importem výsledku zkontrolujte skutečně vrácený formát. Google také uvádí, že zvuk generovaný Gemini 3.1 Flash TTS obsahuje nevnímatelný vodoznak SynthID. Vodoznak se týká identifikace generovaného zvuku a nenahrazuje přepis, označení mluvčích ani poslechovou kontrolu.

Styl přípravy 3.1 se podstatně liší od 3.8. Gemini 3.8 přesouvá souvislé pokyny a identitu mluvčího do strukturovaných metadat řeči, používá značky krátkých událostí na konkrétním místě v lomených závorkách a mění výchozí formát dokončených požadavků na WAV. Prompt 3.1 zachovejte jako prompt 3.1, místo abyste do něj míchali novější strukturu požadavku. Tabulka podporovaných modelů Googlu uvádí pro 3.1 syntézu s jedním i více mluvčími, zatímco ovládání navržených hlasů a replikace hlasu patří k položkám 3.8. Samostatná edice Flash Live zpracovává interaktivní zvukový vstup; tato edice TTS slouží k produkci zvuku z připraveného textu.

Nahrávku porovnejte s písemným scénářem a zkontrolujte vynechaná nebo opakovaná slova, správnost jmen, časování replik a zamýšlené emocionální změny. Pokud jedna věta potřebuje jiné zdůraznění, upravte daný lokální pokyn a prozkoumejte dotčený přechod. Tento pracovní postup dává zadání přednesu praktický smysl: zaznamenává, co má u mluvčího zůstat stabilní a co se má v dané pasáži změnit, zatímco scénář zachovává obsah, který publikum potřebuje slyšet.