Google: Gemini 3.8 Flash Lite TTS

Google Gemini 3.8 Flash-Lite TTS ist das auf Durchsatz ausgerichtete Mitglied von Googles 3.8-Familie für Text-zu-Sprache. Es nimmt einen schriftlichen Sprechtext entgegen und erzeugt gesprochenes Audio. Google positioniert es für Vorlesefunktionen, alltägliche Aufnahmen mit einem Sprecher, Audioproduktion in grossem Umfang und die Sprachausgabe von Sprachagentensystemen. Ein nutzbares Ergebnis ist ein Artikel mit konsistenter Vorlesestimme, eine gesprochene Produkterklärung oder eine Reihe kurzer Anleitungsaufnahmen. Der Sprechtext sollte bereits die Wörter enthalten, die der Zuhörer hören soll.

Die 3.8-Familie trennt den Sprechtext von den Spielanweisungen. Behalten Sie den gesprochenen Text wortgetreu bei und legen Sie anhaltende Emotion, Tempo, Lautstärke oder Sprechstil in Sprachmetadaten fest. Eine herzliche Einführung, eine dringende Anweisung und ein ruhiger Abschluss können jeweils eine kurze Stilbeschreibung für den betreffenden Gesprächsbeitrag erhalten. Text wie «Fröhlich sprechen» innerhalb des Sprechtexts kann selbst mitgesprochen werden. Sprechernamen gehören in die Sprechermetadaten statt als Bezeichnungen in den hörbaren Text. Diese Vorbereitung ist besonders wichtig, wenn Sie Prompts wiederverwenden, die für Gemini 3.1 Flash TTS geschrieben wurden.

Verwenden Sie Inline-Tags in spitzen Klammern für kurze Ereignisse an einer bestimmten Stelle: einen Atemzug, ein Lachen, Husten, Seufzen oder eine Pause. Der Sprechtext «Der nächste Schritt ist einfach. <short pause> Wählen Sie Ihre bevorzugte Sprache.» hält die beabsichtigte Pause beispielsweise direkt bei den Wörtern, auf die sie wirkt. Tragen Sie eine anhaltend geflüsterte Sprechweise in die Stilbeschreibung ein, statt wiederholt Ereignis-Tags hinzuzufügen. Google empfiehlt englische Tag-Namen auch für Sprechtexte in anderen Sprachen. Diese Steuerung betrifft die Stimme; eine Applausspur oder eine zuschlagende Tür erfordert separate Tonproduktion statt eines Tags für ein stimmliches Ereignis.

Google nennt 101 unterstützte Sprachen für diese Edition, darunter Englisch, Russisch, Chinesisch, Japanisch, Koreanisch, Französisch, Deutsch, Spanisch, Indonesisch und Vietnamesisch. Schreiben Sie den fertigen Sprechtext in der gewünschten Sprache, einschliesslich der gewünschten Form von Namen, Abkürzungen und Zahlen. Schreiben Sie als redaktionelle Vorbereitung eine mehrdeutige Abkürzung oder die gewünschte Lesart einer Zahl aus, wenn der Zuhörer eine bestimmte Form hören soll. Hören Sie eine erste Passage mit den schwierigen Namen und Übergängen an, bevor Sie eine lange Aufnahme als fertig behandeln. Eine Sprachanzahl macht nicht alle regionalen Aussprachen austauschbar.

Der Hersteller unterstützt vorgefertigte Stimmen, eine erweiterte Stimmenbibliothek, gestaltete Stimmcharaktere und Stimmreplikation. Wählen Sie die Stimmidentität getrennt von vorübergehenden Spielanweisungen. Verwenden Sie diese Identität und eine kurze Beschreibung der Sprechweise über mehrere Abschnitte hinweg, wenn der Kommentar konsistent bleiben soll. Weisen Sie in der dokumentierten Konfiguration mit zwei Sprechern jedem Gesprächsbeitrag ausdrücklich einen Sprecher zu, der einer der beiden konfigurierten vorgefertigten Stimmen entspricht. Googles Leitfaden behandelt Szenen mit mehreren gestalteten oder nachgebildeten Figuren durch die Erzeugung einzelner Gesprächsbeiträge. Diese Unterscheidung ist bei der Planung eines Dialogs statt eines einzelnen Erzählers wichtig.

Für gewöhnliche abgeschlossene Anfragen legt Googles 3.8-Leitfaden WAV-Audio mit RIFF-Header fest, das 24 kHz mono mit vorzeichenbehaftetem 16-Bit-PCM in Little-Endian enthält. Die Streaming-Konfiguration gibt dagegen standardmässig rohe PCM-Blöcke ohne Header zurück; der Leitfaden dokumentiert ausserdem rohes lineares PCM, mu-law und A-law als Kodierungsoptionen. Stimmen Sie Wiedergabe- oder Bearbeitungseinstellungen auf das tatsächliche Ausgabeformat ab. Das Umbenennen von PCM ohne Header in eine Datei mit WAV-Endung fügt keine Containerinformationen hinzu. Halten Sie beim Zusammenstellen separat erzeugter Gesprächsbeiträge das Audioformat einheitlich und behandeln Sie jede vollständige WAV-Datei als Datei mit eigenem Header.

Die Seite für genau dieses Modell nennt Gemini API-Grenzen von 8’192 Eingabetoken und 16’384 Ausgabetoken. Audiotoken stehen nicht für eine feste Anzahl von Sprechsekunden. Bereiten Sie langes Material in sinnvollen Abschnitten vor, behalten Sie dieselbe Stimme und dieselben Stilvorgaben bei und hören Sie die Übergänge an. Dies sind die dokumentierten Bereitstellungsgrenzen des Herstellers für dieses Modell; sie beschreiben eine andere Grösse als ein allgemeines Kontextfeld im Katalog. Text ist die Eingabe und Audio die Ausgabe, sodass Sprechtextentwurf, Übersetzung und Transkription separate Vorbereitungs- oder Folgeschritte sind.

Flash-Lite verwendet dieselbe 3.8-Anfragestruktur wie Gemini 3.8 Flash TTS. Die praktische Wahl betrifft die erforderliche Darbietung: Flash-Lite ist auf schnelle, wiederholte Produktion ausgerichtet, während Flash TTS die kreative Stufe für schwierige Aussprache, nuanciertes Schauspiel und eine breitere Dialektabdeckung ist. Ein gewöhnlicher Hilfeartikel und eine dramatische Szene mit zwei Figuren stellen unterschiedliche Anforderungen an die Stimme. Prüfen Sie die tatsächliche Aufnahme auf ausgelassene oder wiederholte Wörter, Aussprache, Tempo und hörbare Änderungen zwischen Segmenten, bevor Sie sie im fertigen Hörerlebnis verwenden.