Google: Gemini 3.8 Flash TTS

Google Gemini 3.8 Flash TTS ist die auf kreative Sprechgestaltung ausgerichtete Stufe von Googles 3.8-Familie für Text-zu-Sprache. Im Mittelpunkt stehen akustische Wiedergabetreue, emotionale Bandbreite, regionale Akzente und die Kontinuität einer Figurenstimme in längeren Dialogen. Google hebt Hörbücher, Studioaufnahmen, schwierige Aussprache und Szenen mit anspruchsvollem stimmlichem Schauspiel hervor. Die Ausgabe ist gesprochenes Audio aus einem vorbereiteten Sprechtext, geeignet zur Beurteilung einer Sprecherleistung oder zur Einbindung eines vorgegebenen Gesprächs in weitere Produktionselemente.

Beginnen Sie mit den genauen Wörtern, die zu hören sein sollen. Der Sprechtext wird in 3.8 wortgetreu behandelt, während Sprecher und anhaltende Spielweise in separate Sprachmetadaten gehören. Geben Sie jedem Gesprächsbeitrag eine eindeutige Sprecheridentität und bei Bedarf eine kurze Stilanweisung wie zurückhaltende Sorge oder fröhliche Neugier. Teilen Sie eine Zeile in separate Beiträge auf, wenn sich Emotion oder Tempo deutlich ändern. So lässt sich der Auftrag leichter prüfen: Der Sprechtext enthält den Dialog, und die zugeordnete Anweisung erklärt, wie dieser Teil vorgetragen werden soll. Gewöhnliche schriftliche Anweisungen im Sprechtext können mit vorgelesen werden.

Googles 3.8-Stimmensystem umfasst vorgefertigte Stimmen, eine erweiterte Stimmenbibliothek, gestaltete Stimmcharaktere und nachgebildete Stimmidentitäten. Wählen Sie den zugrunde liegenden Stimmcharakter, bevor Sie vorübergehende Spieländerungen anwenden. Ein stabiler regionaler Akzent oder eine Figurenidentität gehört zur gewählten Stimme; das Stilfeld steuert die aktuelle Darbietung. Der Hersteller empfiehlt, diese Stimme mit kurzen Anweisungen wiederzuverwenden, statt lange Blöcke mit Audio Profile oder Director’s Notes zu wiederholen. Die dokumentierte Dialogkonfiguration einer einzelnen Anfrage kombiniert bis zu zwei vorgefertigte Sprecher. Für gestaltete oder nachgebildete Figuren sieht der Leitfaden die Erzeugung einzelner Gesprächsbeiträge vor, wenn ein Austausch mit mehreren Figuren zusammengestellt wird.

Platzieren Sie eine kurze menschliche Lautäusserung oder Pause mit einem Tag in spitzen Klammern an der betreffenden Stelle. Ein eigenes Sprechtextbeispiel lautet: «Ich dachte, du wärst gegangen. <short pause> <sigh> Ich habe das Licht angelassen.» Weisen Sie dem ganzen Beitrag eine gedämpfte Sprechweise zu, statt diese Anweisung zwischen die gesprochenen Wörter zu setzen. Zeichensetzung und Grossschreibung können ein Zögern gliedern oder ein Wort betonen. Google dokumentiert ausserdem durch senkrechte Striche abgegrenzte Zuhörerreaktionen für Rückmeldesignale und überlappende Dialoge und nennt Flash TTS als bevorzugte 3.8-Edition für stärkere Überlappungen. Halten Sie solche Reaktionen kurz genug, damit der Zuhörer die Hauptaussage weiterhin verstehen kann.

Der Hersteller nennt 130 unterstützte Sprachen für Flash TTS und betont die Abdeckung regionaler Dialekte und Minderheitendialekte. Regionale Sprechvorgaben sind für eine lokalisierte Hörbuchfigur oder einen Kommentar hilfreich, dessen Akzent für das Publikum wichtig ist. Bereiten Sie den Sprechtext in seiner endgültigen Sprache vor, mit einheitlichen Schreibweisen wiederkehrender Namen und einer bewusst gewählten Lesart von Abkürzungen und Zahlen. Beginnen Sie die Hörprüfung als redaktionellen Schritt mit den Passagen, die schwierige Namen, Dialektwechsel oder emotionale Übergänge enthalten. Beurteilen Sie den gewünschten Akzent und das Tempo anhand der erzeugten Stimme, statt sie allein aus der Sprachbezeichnung abzuleiten.

Der 3.8-Ausgabeleitfaden unterscheidet vollständige Dateien von gestreamtem Audio. Bei abgeschlossenen Anfragen ist der Standard eine WAV-Datei mit RIFF-Header: 24 kHz, mono, vorzeichenbehaftetes 16-Bit-PCM in Little-Endian. Der Streaming-Standard ist rohes lineares PCM ohne Header mit denselben Abtasteigenschaften. Rohes lineares PCM, mu-law und A-law sind ebenfalls dokumentierte Kodierungsoptionen. Verwenden Sie die tatsächlichen Kodierungsinformationen, wenn Sie die Wiedergabe vorbereiten oder das Ergebnis in einen Editor importieren. Halten Sie bei einer Folge separater Dialogdateien die Formate einheitlich und prüfen Sie die Übergänge auf abrupte Änderungen von Pegel, Tempo oder Raumklang.

Googles Seite für genau dieses Modell gibt Bereitstellungsgrenzen der Gemini API von 8’192 Eingabetoken und 16’384 Ausgabetoken an. Dies sind Tokengrenzen, keine feste Hörbuchdauer und keine genaue Anzahl von Sprechsekunden. Teilen Sie lange Sprechtexte an sinnvollen Stellen und behalten Sie die gewählte Stimmidentität über die Abschnitte hinweg bei. Achten Sie bei der Produktion eines ganzen Kapitels auf Kontinuität an Absatz- und Szenenwechseln sowie auf die Wortgenauigkeit innerhalb jedes Segments. Eine hilfreiche praktische Prüfung hält fest, welche Zeilen eine Überarbeitung von Aussprache oder Spielweise benötigen, statt nach jeder Aufnahme den gesamten Stimmauftrag umzuschreiben.

Flash TTS und Flash-Lite TTS verwenden dieselbe 3.8-Vorbereitungsstruktur, sodass die Editionswahl den Anforderungen der Arbeit folgen kann. Flash TTS betont Schauspiel, komplexe Dialoge, schwierige Aussprache und eine breitere Dialektabdeckung; Flash-Lite betont Durchsatz bei gewöhnlichen gesprochenen Inhalten. Die Ausdruckssteuerung betrifft menschliche Sprache und stimmliche Ereignisse. Hintergrundgeräusche, Musik und eine fertige Produktionsmischung lassen sich als separate Bestandteile planen. Sprechtextentwurf, Übersetzung und Erkennung aufgezeichneter Sprache bleiben eigenständige Schritte rund um dieses Text-zu-Audio-Modell.