Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview er tekst-til-tale-udgaven af Gemini 3.1 Flash Audio-familien. Den accepterer tekst og producerer talt lyd med udtryk styret af prompten. Google beskriver denne generation som en forbedring i talens naturlighed, styrbarhed og flersproget ydeevne med native dialog mellem flere talere og mere end 70 sprog. En praktisk anvendelse er en kort indlæst lektion, en udveksling mellem figurer eller en talt passage, hvis fremførelse er lige så vigtig som ordlyden.

Forbered et færdigt manuskript og en fremførelsesbeskrivelse. Denne generation bruger instruktioner på naturligt sprog i tekstinputtet til at styre stemmestil, tempo og fremførelse. Googles udgivelse introducerer sceneanvisninger til at fastlægge en situation, talernes Audio Profiles til at definere figurer og Director’s Notes til at styre tempo, tone og accent. Hold disse dele genkendelige under forberedelsen af prompten, så de tilsigtede ord og fremførelsesanvisningerne kan gennemgås uafhængigt. En kort beskrivelse er lettere at revidere end flere konkurrerende beskrivelser af samme stemme.

En original prøvebeskrivelse kan f.eks. beskrive en rolig fortæller, der forklarer en museumsudstilling med afmålt formulering og en varmere tone i den sidste sætning. Det tilhørende manuskript skal indeholde udstillingens faktiske navne og den præcise ordlyd, der skal siges. Giv figurerne særskilte profiler og en klar rækkefølge af ture ved en dialog. Brug scenekonteksten til at forklare, om en taler beroliger den anden, stiller et oprigtigt spørgsmål eller reagerer med afdæmpet overraskelse. Det genererede resultat, der skal vurderes, er den hørbare fremførelse af manuskriptet.

Inline-lydtags tilføjer lokal styring i teksten, så en talers udtryk kan ændres i en sætning frem for udelukkende at afhænge af den indledende anvisning. Google beskriver tags som styring af stemmestil, tempo og fremførelse. Brug dem, hvor fremførelsen kræver et bestemt skift, og hold resten af ordlyden naturlig at sige højt. Den nyttige forskel i denne udgave er mellem den overordnede figur- eller scenebeskrivelse og den lokale ændring i fremførelsen. En kort neutral passage kan fastlægge grundstemmen, før manuskriptet tilføjer mere følelsesmæssig retning.

Giv manuskriptet på det endelige sprog ved flersproget arbejde, og angiv den ønskede accent og talestil i beskrivelsen. Googles annoncering dokumenterer understøttelse af mere end 70 sprog. Giv som praktisk redaktionel forberedelse tilbagevendende navne én ensartet stavemåde, skriv tvetydige forkortelser fuldt ud, når én oplæsning kræves, og kontrollér tal i det talte resultat. En sprogbetegnelse alene afgør ikke, hvordan et mærkenavn eller et lånt udtryk skal lyde. Sammenlign passager med disse udtryk med den tilsigtede oplæsning, før du accepterer en lang indlæsning.

Den specifikke Gemini API-modelside angiver en inputgrænse på 8.192 tokens og en outputgrænse på 16.384 tokens for denne previewmodel. DeepMinds native TTS-modelkort angiver særskilt tekstinput på op til 16K tokens og lydoutput på 32K tokens; disse modelkorttal er forskellige fra Gemini API-driftsgrænserne. Regn fremførelsesanvisningerne med som en del af det forberedte input sammen med manuskriptet. Outputrammen udtrykkes i lydtokens, så den garanterer ikke en bestemt optagelsesvarighed. Organisér en lang lektion eller fortælling i sammenhængende afsnit, bevar samme figurbeskrivelse, og lyt til samlingerne. Kontrollér talertilskrivning og turrækkefølge ved manuskriptbaseret dialog ud over de talte ord og den følelsesmæssige fremførelse.

Googles migrationsdokumentation identificerer standardoutputtet fra 3.1 som rå PCM uden header med typen audio/l16. Lydbytes kræver de passende afspilnings- eller containeroplysninger, når en redigerbar optagelse forberedes; tilføjelse af et WAV-filnavn alene skaber ikke en WAV-header. Kontrollér det faktisk returnerede format, før resultatet importeres. Google angiver også, at lyd genereret af Gemini 3.1 Flash TTS bærer et umærkeligt SynthID-vandmærke. Vandmærket vedrører identifikation af genereret lyd og erstatter ikke et transskript, talerbetegnelser eller en lyttegennemgang.

Forberedelsesstilen i 3.1 adskiller sig væsentligt fra 3.8. Gemini 3.8 flytter vedvarende anvisninger og taleridentitet til strukturerede talemetadata, bruger tags i vinkelparenteser til lokale hændelser og ændrer standarden for afsluttede anmodninger til WAV. Bevar en 3.1-prompt som en 3.1-prompt frem for at blande den nyere anmodningsstruktur ind i den. Googles tabel over understøttede modeller angiver syntese med én eller flere talere for 3.1, mens indstillingerne for designede stemmer og stemmereplikation hører til 3.8-posterne. Den særskilte Flash Live-udgave håndterer interaktivt lydinput; denne TTS-udgave betjener forberedt tekst-til-lyd-produktion.

Gennemgå optagelsen mod det skriftlige manuskript for udeladte eller gentagne ord, navne, turtiming og de tilsigtede følelsesmæssige ændringer. Revidér den lokale anvisning, hvis én sætning kræver en anden betoning, og undersøg den berørte overgang. Arbejdsgangen gør fremførelsesbeskrivelsen nyttig: Den registrerer, hvad der skal forblive stabilt ved taleren, og hvad der skal ændres i passagen, mens manuskriptet bevarer det indhold, publikum skal høre.