Gemini 3.8 Flash Tts
Talemodel fra Google til udtryksfuld oplæsning, lydbøger og dialog med stemmestyring og understøttelse af 130 sprog.
Om modellen
Denne beskrivelse dækker modellens funktioner. Tilgængelige input, output og indstillinger i Ailoot står nedenfor for den valgte metode.
Gemini 3.8 Flash TTS er beregnet til udtryksfuld oplæsning og lange fortællinger. Google fremhæver lydbøger, dialog med flere talere og stabil stemme gennem lange afsnit. Talestyringen omfatter følelsesudtryk, rytme og udtale, herunder regionale accenter og dialekter.
Stemmer og sprog
130 sprog er angivet for modellen, herunder russisk. 30 færdige stemmer, en udvidet samling, skabelse af stemmer ud fra beskrivelser og gengivelse af stemmer ud fra prøver er tilgængelige. Det gør det muligt at vælge klang og fremførelseskarakter til det konkrete materiale.
Dialogreplikker knyttes til talere. Én forespørgsel med flere talere kan højst bruge to færdige stemmer. Med stemmer skabt ud fra beskrivelse eller prøve syntetiseres replikker separat; sådan en stemme bliver ikke en ekstra færdig stemme i en forespørgsel med flere stemmer.
Tekst og styring af fremførelsen
Input er tekst, og output lyd. Grænserne er 8 192 inputtokens og 16 384 outputtokens. Teksten behandles som den replik, der skal udtales; stilbeskrivelsen og den valgte taler angives separat. Dermed kan de ord, der skal høres, holdes adskilt fra instruktionerne om, hvordan de skal læses.
Stilen omfatter følelse, tempo, lydstyrke og prosodi. Korte hændelser som latter, suk og pauser angives med særlige lydtags i replikken. Tags styrer fremførelsen og er ikke almindelige ord, der skal læses højt.
Lydformater og funktioner
Almindelig generering returnerer WAV som standard. Streaming bruger PCM uden header som standard. De oprindelige parametre er 24 kHz, én kanal og 16 bit. PCM, mu-law og A-law er også mulige. Kontekstcaching og batchbehandling understøttes. Filformat og tilgængelige indstillinger afhænger af den valgte talemetode.
Modellen er specialiseret i at skabe tale. Funktionskald, kodeudførelse, filsøgning, søgebaseret forankring, Google Maps, billedgenerering, strukturerede tekstsvar, Thinking og webadressers indhold understøttes ikke. Stabil stemme og styrbar udtryksfuldhed er modellens beskrevne fokusområder, ikke et løfte om perfekt udtale af hver replik.
Ailoot · Oplæsning POST /v1/audio/speech gemini-3.8-flash-tts
gemini-3.8-flash-ttsStart
Talemodel fra Google til udtryksfuld oplæsning, lydbøger og dialog med stemmestyring og understøttelse af 130 sprog.
- Accepterede input
- Tekst
- Resultater
- Lyd
Tilgængelig i Ailoot · input og metoder
Ailoot · Oplæsning POST /v1/audio/speech
- Inputtyper
text- Outputtyper
audio- Kontekst
- 8.192 tokens
- Maksimalt output
- 16.384 tokens
- Outputformat
- lydbytes i det oprindelige format eller JSON-links til aktiver
| Felt | Type | Krav | Værdier og grænser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrævet | Værdier og grænser gemini-3.8-flash-tts | Standard— |
Feltinput | Typestring | KravPåkrævet | Værdier og grænser Minimumslængde: 1 | Standard— |
Feltvoice | Typestring | KravValgfrit | Værdier og grænser Achernar, Achird, Algenib, Algieba, Alnilam, Aoede, Arlo, Autonoe, Bodi, Brio, Callirrhoe, Charon, Cleo, Cruz, Daro, Despina, Elio, Enceladus, Enya, Enzo, Erinome, Fenrir, Finn, Fola, Gacrux, Gero, Hali, Iapetus, Jett, Jori, Kira, Knox, Koda, Kore, Laomedeia, Leda, Lora, Ludo, Lumi, Mako, Milo, Neno, Nika, Nyla, Olin, Orus, Puck, Pulcherrima, Rami, Rasalgethi, Riko, Rina, Sadachbia, Sadaltager, Sami, Schedar, Sola, Sulafat, Tari, Tavi, Tova, Umbriel, Varo, Veda, Vindemiatrix, Zali, Zeno, Zephyr, Zubenelgenubi, Zuri | StandardKore |
Feltresponse_format | Typestring | KravValgfrit | Værdier og grænser , wav, json | Standard |
Feltstream_format | Typestring | KravValgfrit | Værdier og grænser audio | Standard— |
Kombinationer af inputmaterialer
text_to_speech · Påkrævet: input
Metodeparametre og livscyklus
| Parameter | Kontrakt |
|---|---|
Parametermaterial_types | Kontrakttext |
Parameterrequired | Kontraktnull |
Parameteroptional_controls | Kontraktnull |
Livscyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · det faktisk returnerede task_id eller posten i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodernes strukturer og ID’er er præcise; leverandørens muligheder er adskilt fra adgangstilladelse.
Priser
Ailoot-metodetakster
POST /v1/audio/speech- Input
- 0,0005 US$ / 1K
- Output
- 0,009 US$ / 1K
- Cachelæsning
- 0,000125 US$ / 1K
Ailoot reserverer et estimeret beløb før en anmodning. Efter resultatet afregnes det endelige beløb ud fra det målte forbrug. Ved streaming bruges den endelige forbrugsregistrering til afregningen. Sådan fungerer reservation og afregning →
Eksempelanmodninger
Ailoot · Oplæsning
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "gemini-3.8-flash-tts", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.wav
Hent og gem resultater
Ailoot · Oplæsning
lydbytes i det oprindelige format eller JSON-links til aktiver
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Behold alle færdige resultater
Gem hvert fuldstændigt returneret svar, hver fil og hver indholdsdel.
Et enkelt output bruger som standard native lydbytes med faktisk Content-Type; response_format=json eller flere output returnerer alle links, du ejer. Ingen anmodet konvertering til MP3/Opus/AAC/FLAC/PCM eller SSE.
Hvis det oprindelige svar skal kontrolleres
Gem det oprindelige operation_id/X-Client-Request-ID til afstemning uden genindsendelse; der er ingen særskilt rute til polling af lyd.
Svarfelter
| Felt | Type |
|---|---|
Feltbinary native audio | Typebytes |
Feltmodel | Typestring |
Feltresponse_id | Typestring |
Feltactual_count | Typeinteger |
Feltdata[] | Typeowned audio asset link |
Fejl og næste trin
| Svar | Betingelse | Næste trin |
|---|---|---|
Svar400 · invalid_request_error | BetingelseUgyldige obligatoriske felter, materialerepræsentation eller parameterværdi | Næste trinRet de angivne felter før en ny oprettelsesanmodning. |
Svarserver_error | BetingelseDet returnerede svar angiver, at operationen eller resultatet skal kontrolleres | Næste trinGem det oprindeligt returnerede operations-/opgave-ID, anmodningens headere og svaret; fortsæt med de understøttede læseanmodninger for den oprindelige operation. Send ikke oprettelsesanmodningen igen. |
Aliaser
Modelaliaser
Ailoot gemini-3.8-flash-tts
Aliaser for metodestier
Brug metodestierne vist ovenfor.
Relaterede kalder-ID’er
FAQ · Gemini 3.8 Flash Tts
- Hvilke input og resultater er tilgængelige?
POST /v1/audio/speech·gemini-3.8-flash-tts:text→audio- Hvilke felter bruger anmodningen?
POST /v1/audio/speech·gemini-3.8-flash-tts:model,input,voice,response_format,stream_format- Hvilke grænser gælder?
POST /v1/audio/speech·gemini-3.8-flash-tts:ctx:8192;max_out:16384