Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview ist die Text-zu-Sprache-Edition der Gemini-3.1-Flash-Audio-Familie. Sie nimmt Text entgegen und erzeugt gesprochene Audiodaten mit per Prompt gesteuertem Ausdruck. Google beschreibt diese Generation als Verbesserung bei Natürlichkeit der Sprache, Steuerbarkeit und mehrsprachiger Leistung, mit nativen Dialogen mehrerer Sprecher und mehr als 70 Sprachen. Eine praktische Anwendung ist eine kurze gesprochene Lektion, ein Austausch zwischen Figuren oder eine Passage, deren Vortrag ebenso wichtig ist wie ihr Wortlaut.

Bereiten Sie ein fertiges Skript und eine Beschreibung der Darbietung vor. Diese Generation verwendet natürlichsprachliche Anweisungen innerhalb der Texteingabe, um Stimmstil, Tempo und Vortrag zu steuern. Googles Veröffentlichung führt Szenenanweisungen zur Festlegung einer Situation, Audio Profiles für Sprecher zur Definition von Figuren und Director’s Notes für Tempo, Ton und Akzent ein. Halten Sie diese Teile bei der Prompt-Vorbereitung erkennbar, damit gewünschter Wortlaut und Darbietungsanweisungen unabhängig geprüft werden können. Eine sparsame Beschreibung lässt sich leichter überarbeiten als mehrere konkurrierende Beschreibungen derselben Stimme.

Eine eigene Probenbeschreibung kann beispielsweise einen ruhigen Erzähler vorsehen, der ein Museumsexponat mit gemessener Phrasierung und wärmerem Ton im letzten Satz erklärt. Das begleitende Skript sollte die tatsächlichen Namen des Exponats und den genau zu sprechenden Wortlaut enthalten. Geben Sie Figuren für einen Dialog unterschiedliche Profile und eine klare Abfolge der Sprecherwechsel. Erklären Sie über den Szenenkontext, ob ein Sprecher den anderen beruhigt, eine aufrichtige Frage stellt oder mit zurückhaltender Überraschung antwortet. Das zu bewertende Ergebnis ist die hörbare Darbietung dieses Skripts.

Eingebettete Audiotags ergänzen lokale Steuerung im Text, sodass sich der Ausdruck eines Sprechers innerhalb eines Satzes ändern kann, statt vollständig von der Anfangsanweisung abzuhängen. Google beschreibt Tags als Steuerung von Stimmstil, Tempo und Vortrag. Verwenden Sie sie dort, wo die Darbietung einen bestimmten Wechsel benötigt, und halten Sie den übrigen Wortlaut natürlich sprechbar. Die hilfreiche Unterscheidung dieser Edition liegt zwischen der übergeordneten Figuren- oder Szenenbeschreibung und der lokalen Änderung des Vortrags. Eine kurze neutrale Passage kann die Grundstimme festlegen, bevor das Skript weitere emotionale Anweisungen hinzufügt.

Geben Sie für mehrsprachige Arbeit das Skript in der endgültigen Sprache vor und benennen Sie gewünschten Akzent und Sprechstil in der Beschreibung. Googles Ankündigung dokumentiert Unterstützung für mehr als 70 Sprachen. Verwenden Sie zur praktischen redaktionellen Vorbereitung für wiederkehrende Namen eine einheitliche Schreibweise, schreiben Sie mehrdeutige Abkürzungen aus, wenn eine bestimmte Lesart erforderlich ist, und prüfen Sie Zahlen im gesprochenen Ergebnis. Eine Sprachkennzeichnung allein legt nicht fest, wie ein Markenname oder Lehnwort klingen soll. Vergleichen Sie Passagen mit solchen Begriffen mit der gewünschten Lesart, bevor Sie eine lange Erzählaufnahme akzeptieren.

Die genaue Gemini-API-Modellseite nennt für dieses Preview-Modell eine Eingabegrenze von 8.192 Token und eine Ausgabegrenze von 16.384 Token. DeepMinds native TTS-Modellkarte nennt separat Texteingaben bis zu 16K Token und Audioausgaben mit 32K Token; diese Modellkartenwerte sind von den Bereitstellungsgrenzen der Gemini API zu unterscheiden. Zählen Sie die Darbietungsanweisungen ebenso wie das Skript zur vorbereiteten Eingabe. Der Ausgaberahmen wird in Audiotoken ausgedrückt und garantiert deshalb keine bestimmte Aufnahmedauer. Gliedern Sie eine lange Lektion oder Geschichte in zusammenhängende Abschnitte, behalten Sie dieselbe Figurenbeschreibung bei und hören Sie die Übergänge an. Prüfen Sie bei geskripteten Dialogen neben Wortlaut und emotionalem Vortrag auch Sprecherzuordnung und Reihenfolge der Beiträge.

Googles Migrationsdokumentation beschreibt die Standardausgabe von 3.1 als rohe PCM-Daten ohne Header mit dem Typ audio/l16. Die Audiobytes benötigen bei der Vorbereitung einer bearbeitbaren Aufnahme die passenden Wiedergabe- oder Containerinformationen; allein ein WAV-Dateiname erzeugt keinen WAV-Header. Prüfen Sie das tatsächlich zurückgegebene Format, bevor Sie das Ergebnis importieren. Google erklärt außerdem, dass von Gemini 3.1 Flash TTS erzeugtes Audio ein nicht wahrnehmbares SynthID-Wasserzeichen trägt. Dieses Wasserzeichen dient der Kennzeichnung erzeugter Audiodaten und ersetzt weder Transkript noch Sprecherkennzeichnungen oder eine Hörprüfung.

Die Vorbereitung für 3.1 unterscheidet sich wesentlich von 3.8. Gemini 3.8 verlagert anhaltende Anweisungen und Sprecheridentität in strukturierte Sprachmetadaten, verwendet punktuelle Ereignistags in spitzen Klammern und ändert die Standardausgabe abgeschlossener Anfragen zu WAV. Behalten Sie bei einem Prompt für 3.1 das Format von 3.1 bei, statt die neuere Anfragestruktur hineinzumischen. Googles Tabelle unterstützter Modelle nennt für 3.1 Synthese mit einem oder mehreren Sprechern; die Steuerungen für entworfene Stimmen und Stimmenreplikation gehören zu den Einträgen für 3.8. Die separate Edition Flash Live verarbeitet interaktive Audioeingaben; diese TTS-Edition dient der Produktion vorbereiteter Texte als Audio.

Prüfen Sie die Aufnahme anhand des schriftlichen Skripts auf ausgelassene oder wiederholte Worte, Namen, das Timing der Sprecherwechsel und die gewünschten emotionalen Änderungen. Benötigt ein Satz eine andere Betonung, überarbeiten Sie die lokale Anweisung und prüfen Sie den betroffenen Übergang. So wird die Darbietungsbeschreibung hilfreich: Sie hält fest, was am Sprecher stabil bleiben und was sich in der Passage ändern soll, während das Skript die Inhalte bewahrt, die das Publikum hören muss.