Google: Gemini 3.8 Flash TTS

Google Gemini 3.8 Flash TTS je varianta rodiny převodu textu na řeč 3.8 od Googlu zaměřená na tvůrčí práci s hlasovým přednesem. Zaměřuje se na akustickou věrnost, emocionální rozsah, regionální přízvuky a kontinuitu hlasu postavy napříč rozsáhlým dialogem. Google zdůrazňuje audioknihy, studiové namluvení, obtížnou výslovnost a scény s výrazným hlasovým herectvím. Výstupem je mluvený zvuk z připraveného textového scénáře, vhodný k posouzení výkonu vypravěče nebo k zařazení konverzace podle scénáře vedle dalších produkčních prvků.

Začněte přesnými slovy, která mají zaznít. Text v 3.8 je zpracováván doslovně, zatímco mluvčí a souvislé pokyny k přednesu patří do samostatných metadat řeči. Každé replice přiřaďte jasnou identitu mluvčího a podle potřeby stručný stylistický pokyn, například zdrženlivé obavy nebo radostnou zvědavost. Pokud se emoce nebo tempo výrazně mění, rozdělte danou repliku na několik samostatných replik. Zadání se pak snáze kontroluje: text obsahuje dialog a připojený pokyn vysvětluje, jak má být daná část přednesena. Běžné písemné instrukce umístěné do textu mohou být přečteny nahlas.

Hlasový systém 3.8 od Googlu zahrnuje předpřipravené hlasy, rozšířenou knihovnu hlasů, navržené hlasové persony a replikované hlasové identity. Před dočasnými změnami hereckého projevu vyberte základní personu. Stabilní regionální přízvuk nebo identita postavy patří ke zvolenému hlasu; pole style řídí aktuální přednes. Výrobce doporučuje tento hlas opakovaně používat se stručnými pokyny namísto opakování dlouhých bloků Audio Profile nebo Director’s Notes. Dokumentovaná konfigurace dialogu v jediném požadavku kombinuje až dva předpřipravené mluvčí. U navržených nebo replikovaných postav průvodce při sestavování výměny více postav doporučuje generovat jednotlivé repliky.

Krátký lidský hlasový projev nebo pauzu umístěte na příslušné místo pomocí značky v lomených závorkách. Originálním příkladem scénáře je „Myslel jsem, že už jsi odešel. <short pause> <sigh> Nechal jsem rozsvíceno.“ Tlumený přednes přiřaďte celé replice, místo abyste tento pokyn vkládali mezi mluvená slova. Interpunkce a velká písmena mohou pomoci vyjádřit zaváhání nebo zdůraznit slovo. Google dokumentuje také reakce posluchače oddělené svislítky pro průběžné přitakávání a překrývající se dialog a označuje Flash TTS jako preferovanou edici 3.8 pro výraznější překryvy. Takové reakce ponechte dostatečně krátké, aby posluchač stále rozuměl hlavní replice.

Výrobce pro Flash TTS uvádí 130 podporovaných jazyků a zdůrazňuje pokrytí regionálních a menšinových dialektů. Regionální zadání přednesu je užitečné pro lokalizovanou postavu audioknihy nebo vyprávění, u něhož na přízvuku publiku záleží. Připravte scénář v jeho konečném jazyce s jednotným zápisem opakujících se jmen a záměrným způsobem čtení zkratek a čísel. Při redakční kontrole začněte poslech pasážemi obsahujícími obtížná jména, změny dialektu nebo emocionální přechody. Požadovaný přízvuk a tempo posuzujte ve vygenerovaném hlasu, nikoli pouze podle označení jazyka.

Výstupní průvodce 3.8 rozlišuje úplné soubory a streamovaný zvuk. Výchozím výstupem dokončeného požadavku je soubor WAV s hlavičkou RIFF: 24 kHz, mono, 16bitové PCM se znaménkem v pořadí little-endian. Výchozím streamovaným výstupem je surové lineární PCM bez hlavičky se stejnými charakteristikami vzorkování. Jako volby kódování jsou dokumentovány také surové lineární PCM, mu-law a A-law. Při přípravě přehrávání nebo importu do editoru používejte skutečné informace o kódování. U posloupnosti samostatných dialogových souborů zachovejte jednotné formáty a zkontrolujte spoje, zda nedochází k náhlým změnám úrovně, tempa nebo zvuku prostředí.

Přesná stránka modelu Googlu uvádí provozní limity Gemini API 8,192 vstupních tokenů a 16,384 výstupních tokenů. Jde o tokenové limity, nikoli o pevnou délku audioknihy nebo přesný počet sekund řeči. Dlouhé scénáře rozdělujte na smysluplných hranicích a napříč částmi zachovávejte zvolenou identitu hlasu. U produkce v délce kapitoly poslouchejte kontinuitu při změnách odstavců a scén i přesnost slov uvnitř každého segmentu. Dobrá praktická kontrola zaznamenává, které repliky potřebují opravu výslovnosti nebo hereckého projevu, namísto přepisování celého hlasového zadání po každém pokusu.

Flash TTS a Flash-Lite TTS sdílejí přípravnou strukturu 3.8, takže výběr edice se může řídit nároky práce. Flash TTS zdůrazňuje herecký projev, složitý dialog, obtížnou výslovnost a širší pokrytí dialektů; Flash-Lite zdůrazňuje propustnost u běžného mluveného obsahu. Expresivní ovládací prvky se týkají lidské řeči a hlasových událostí. Zvuky na pozadí, hudební doprovod a dokončený produkční mix lze plánovat jako samostatné podklady. Psaní scénáře, překlad a rozpoznávání zaznamenané řeči zůstávají oddělenými fázemi kolem tohoto modelu převodu textu na zvuk.