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.
", "aboutText": "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.\n\nZačněte 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.\n\nHlasový 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.\n\nKrátký lidský hlasový projev nebo pauzu umístěte na příslušné místo pomocí značky v lomených závorkách. Originálním příkladem scénáře je „Myslel jsem, že už jsi odešel.google/gemini-3.8-flash-ttsGoogle Gemini 3.8 Flash TTS vytváří expresivní řeč pro audioknihy, studiové namluvení a dialogy postav. Kombinuje doslovný scénář s oddělenými pokyny pro mluvčího a herecký projev, značkami krátkých hlasových projevů a podporou 130 jazyků se zaměřením na výslovnost, regionální přízvuky a konzistenci hlasu.
Tento popis zahrnuje schopnosti modelu. Vstupy, výstupy a možnosti dostupné v Ailoot jsou uvedeny níže pro vybranou metodu.
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.
POST /v1/audio/speechtextaudio| Pole | Typ | Požadavek | Hodnoty a limity | Výchozí |
|---|---|---|---|---|
Polemodel | Typstring | PožadavekPovinné | Hodnoty a limity google/gemini-3.8-flash-tts | Výchozí— |
Poleinput | Typstring | PožadavekPovinné | Hodnoty a limity Minimální délka: 1 | Výchozí— |
Polevoice | Typstring | PožadavekPovinné | Hodnoty a limity Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callirrhoe, Autonoe, Enceladus, Iapetus, Umbriel, Algieba, Despina, Erinome, Algenib, Rasalgethi, Laomedeia, Achernar, Alnilam, Schedar, Gacrux, Pulcherrima, Achird, Zubenelgenubi, Vindemiatrix, Sadachbia, Sadaltager, Sulafat Minimální délka: 1 | Výchozí— |
Poleresponse_format | Typstring | PožadavekVolitelné | Hodnoty a limity mp3, pcm | Výchozípcm |
Poleprovider | Typobject | PožadavekVolitelné | Hodnoty a limity | Výchozí— |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input, voice |
Parametrmaterial_types | Kontrakttext |
Životní cyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · skutečně vrácené task_id nebo záznam v knihovně médií
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Údaje o tarifech nepřidávají možnosti požadavku. Podporované parametry jsou uvedeny u vybrané metody.
Přiřaďte každý poplatek k uvedeným podmínkám. Pro každou sadu alternativních konfigurací použijte jednu sazbu.
| Konfigurace | Tabulka sazeb | Účtovací jednotka | Poplatek |
|---|---|---|---|
| KonfiguraceZákladní sazby za tokeny | Tabulka sazebZákladní sazba | Účtovací jednotka— | Poplatek Vstup · Vstupní tokeny — / 1K tokenů Výstup · Výstupní tokeny — / 1K tokenů Vstup · Čtení z mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti — / 1K tokenů Vstup · Zápis do mezipaměti, 1 hodina — / 1K tokenů |
| Konfiguracevstupní token | Tabulka sazeb— | Účtovací jednotka/ 1K tokenů | Poplatek Vstup $0.001 / 1K tokenů |
| Konfiguracevýstupní token | Tabulka sazeb— | Účtovací jednotka/ 1K tokenů | Poplatek Výstup $0.018 / 1K tokenů |
Ailoot před požadavkem rezervuje odhadovanou částku. Po výsledku vyúčtuje konečný poplatek podle naměřeného využití. Při streamování se účtování řídí konečným záznamem využití. Jak funguje rezervace a vyúčtování →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'google/gemini-3.8-flash-tts', 'input': '${ACTUAL_INPUT_TEXT}', 'voice': 'Zephyr'}\nrequest['input']=os.environ['AILOOT_INPUT_TEXT']\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nÚplný binární zvuk nebo původní odpověď audio_url, hlavičky a každý soubor spravovaný službou.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nUchovejte každou úplnou vrácenou odpověď, soubor i část obsahu.
Uchovejte úplnou odpověď a hlavičky, všechny skutečné výstupy, původní vrácené identifikátory a všechna pole s údaji o využití. Obnovte původní operaci bez opětovného odeslání požadavku na vytvoření.
Uchovejte vrácené X-Client-Request-ID pro spárování záznamů. Načítejte pouze skutečně vrácené hodnoty task_id/asset_id nebo vlastní knihovnu médií; nikdy nevytvářejte URL úlohy z ID operace a nikdy znovu neodesílejte požadavek na vytvoření.
Ailoot Ultra google/gemini-3.8-flash-tts
Použijte cesty metod uvedené výše.