Gemini 3.1 Flash Tts Preview

Μοντέλο ομιλίας της Google για φωνητική απόδοση κειμένου με έλεγχο του τρόπου αφήγησης και εκφραστικές ετικέτες ήχου.

Ailoot · Σύνθεση ομιλίας POST /v1/audio/speech gemini-3.1-flash-tts-preview

Σχετικά με το μοντέλο

Αυτή η περιγραφή καλύπτει τις δυνατότητες του μοντέλου. Οι είσοδοι, έξοδοι και επιλογές που διατίθενται στο Ailoot παρατίθενται παρακάτω για την επιλεγμένη μέθοδο.

Το Gemini 3.1 Flash TTS Preview μετατρέπει κείμενο σε ομιλία. Προορίζεται για φυσική φωνητική απόδοση με έλεγχο της αφήγησης μέσω οδηγιών κειμένου. Ο τρόπος εκφώνησης μπορεί να καθορίζεται μαζί με τις οδηγίες ομιλίας, ενώ οι εκφραστικές ετικέτες ήχου βοηθούν στην απόδοση της επιθυμητής εκφοράς.

Το κείμενο γίνεται ήχος

Η είσοδος αυτού του μοντέλου είναι κείμενο και η έξοδος ηχογράφηση. Ο μέγιστος όγκος εισόδου είναι 8 192 token και εξόδου 16 384 token. Προορίζεται για σύνθεση ομιλίας από προετοιμασμένο κείμενο· δεν είναι κανονικό μοντέλο απαντήσεων κειμένου ή απομαγνητοφώνησης παρεχόμενης ηχογράφησης.

Προβλέπονται εκφώνηση με μία φωνή και διάλογοι με πολλούς ομιλητές. Ο έλεγχος εκφώνησης βασίζεται σε οδηγίες: μπορεί να περιγραφεί ο χαρακτήρας ανάγνωσης και η εκφραστικότητα των ατάκων. Για επαναλαμβανόμενες εργασίες ομιλίας, ο κατασκευαστής αναφέρει μαζική δημιουργία.

Μορφή αποτελέσματος και ειδίκευση

Η αρχική μορφή μιας κανονικής απάντησης είναι PCM χωρίς κεφαλίδα WAV. Αυτό αποτελεί σημαντικό χαρακτηριστικό της συγκεκριμένης προκαταρκτικής έκδοσης: τα επιστρεφόμενα bytes δεν μπορούν να θεωρούνται αυτόματα ολοκληρωμένο αρχείο WAV.

Η κάρτα του μοντέλου δεν δηλώνει προσωρινή αποθήκευση συμφραζομένων, εκτέλεση κώδικα, αναζήτηση σε αρχεία, κλήσεις συναρτήσεων, τεκμηρίωση μέσω αναζήτησης, Google Maps, δημιουργία εικόνων, δομημένες απαντήσεις κειμένου, Thinking ή ανάγνωση περιεχομένου διευθύνσεων ιστού. Η σύνθεση ομιλίας είναι η εξειδικευμένη εργασία εξόδου του· οι δυνατότητες των μοντέλων κειμένου δεν μεταφέρονται σε αυτό.

Προκαταρκτική έκδοση

Το gemini-3.1-flash-tts-preview ανήκει στις παλαιότερες προκαταρκτικές εκδόσεις ομιλίας. Οι τρόποι ελέγχου φωνής και η μορφή ήχου του πρέπει να εξετάζονται χωριστά από μεταγενέστερα μοντέλα TTS. Για αυτή την έκδοση δεν δηλώνονται δημιουργία νέας φωνητικής ταυτότητας και αναπαραγωγή φωνής από δείγμα· ο ακριβής αριθμός υποστηριζόμενων γλωσσών δεν αναφέρεται στην κάρτα της.

Οι περιγραφόμενες δυνατότητες αφορούν το ίδιο το μοντέλο. Ο συγκεκριμένος τρόπος παροχής κειμένου και ρυθμίσεων ομιλητών και λήψης αρχείου ήχου καθορίζεται από την υποστηριζόμενη μέθοδο ομιλίας.

Ailoot · Σύνθεση ομιλίας POST /v1/audio/speech gemini-3.1-flash-tts-preview

gemini-3.1-flash-tts-preview

Google /gemini-3.1-flash-tts-preview

Εισαγωγή

Αποδεκτές είσοδοι: Κείμενο
Αποτελέσματα: speech

Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι

Ailoot · Σύνθεση ομιλίας POST /v1/audio/speech

Είσοδος: text
Έξοδος: speech
Μορφή εξόδου: εγγενή byte ήχου ή σύνδεσμοι αρχείων πολυμέσων σε JSON

Πεδίο	Τύπος	Απαίτηση	Τιμές και όρια	Προεπιλογή
Πεδίο`model`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια gemini-3.1-flash-tts-preview	Προεπιλογή—
Πεδίο`input`	Τύπος`string`	ΑπαίτησηΥποχρεωτικό	Τιμές και όρια Ελάχιστο μήκος: 1	Προεπιλογή—
Πεδίο`voice`	Τύπος`string`	ΑπαίτησηΠροαιρετικό	Τιμές και όρια Kore	ΠροεπιλογήKore
Πεδίο`response_format`	Τύπος`string`	ΑπαίτησηΠροαιρετικό	Τιμές και όρια , wav, json	Προεπιλογή
Πεδίο`stream_format`	Τύπος`string`	ΑπαίτησηΠροαιρετικό	Τιμές και όρια audio	Προεπιλογή—

Συνδυασμοί υλικών εισόδου

text_to_speech · Υποχρεωτικό: input

Παράμετροι και κύκλος ζωής μεθόδου

Παράμετρος	Σύμβαση
Παράμετρος`material_types`	Σύμβασηtext
Παράμετρος`required`	Σύμβασηnull
Παράμετρος`optional_controls`	Σύμβασηnull

Κύκλος ζωής: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Το πραγματικό task_id που επιστράφηκε ή μια εγγραφή στη βιβλιοθήκη πολυμέσων

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Οι δομές και τα ID των μεθόδων είναι ακριβή· η δυνατότητα του προμηθευτή είναι ξεχωριστή από την αποδοχή αιτημάτων.

Τιμολόγηση

Χρεώσεις μεθόδων Ailoot

Ailoot Σύνθεση ομιλίαςPOST /v1/audio/speech

Είσοδος: 0,001 $ / 1K
Έξοδος: 0,02 $ / 1K

Το Ailoot δεσμεύει ένα εκτιμώμενο ποσό πριν από το αίτημα. Μετά το αποτέλεσμα, εκκαθαρίζει την τελική χρέωση βάσει της μετρημένης χρήσης. Η εκκαθάριση ροής χρησιμοποιεί την τελική καταγραφή χρήσης. Πώς λειτουργούν η δέσμευση και η εκκαθάριση →

Παραδείγματα αιτημάτων

Ailoot · Σύνθεση ομιλίας

Παράδειγμα ομιλίας

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-3.1-flash-tts-preview", "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

Λήψη και αποθήκευση αποτελεσμάτων

Ailoot · Σύνθεση ομιλίας

εγγενή byte ήχου ή σύνδεσμοι αρχείων πολυμέσων σε JSON

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Διατηρήστε όλα τα ολοκληρωμένα αποτελέσματα

Διατηρήστε κάθε πλήρη απάντηση, αρχείο και τμήμα περιεχομένου που επιστρέφεται.

Η μία έξοδος επιστρέφει από προεπιλογή εγγενή byte ήχου με τον πραγματικό Content-Type· το response_format=json ή οι πολλαπλές έξοδοι επιστρέφουν όλους τους συνδέσμους που σας ανήκουν. Δεν εκτελείται ζητούμενη μετατροπή σε MP3/Opus/AAC/FLAC/PCM ή SSE.

Αν χρειάζεται έλεγχος της αρχικής απάντησης

Διατηρήστε το αρχικό operation_id/X-Client-Request-ID για τη συμφωνία των εγγραφών χωρίς νέα υποβολή· δεν υπάρχει ειδική διαδρομή περιοδικού ελέγχου για τον ήχο.

Πεδία απάντησης

Πεδίο	Τύπος
Πεδίο`binary native audio`	Τύποςbytes
Πεδίο`model`	Τύποςstring
Πεδίο`response_id`	Τύποςstring
Πεδίο`actual_count`	Τύποςinteger
Πεδίο`data[]`	Τύποςowned audio asset link

Σφάλματα και επόμενα βήματα

Απάντηση	Συνθήκη	Επόμενο βήμα
Απάντηση400 · `invalid_request_error`	ΣυνθήκηΜη έγκυρα υποχρεωτικά πεδία, μη έγκυρη αναπαράσταση υλικού ή μη έγκυρη τιμή παραμέτρου	Επόμενο βήμαΔιορθώστε τα υποδεικνυόμενα πεδία πριν από νέο αίτημα δημιουργίας.
Απάντηση`server_error`	ΣυνθήκηΗ απόκριση που επιστράφηκε αναφέρει ότι η λειτουργία ή το αποτέλεσμα χρειάζεται έλεγχο	Επόμενο βήμαΔιατηρήστε το αρχικό ID της λειτουργίας/εργασίας που επιστράφηκε, τις κεφαλίδες του αιτήματος και την απόκριση· συνεχίστε με τις υποστηριζόμενες αναγνώσεις αυτής της αρχικής λειτουργίας. Μην υποβάλετε ξανά το αίτημα δημιουργίας.

Εναλλακτικά ονόματα

Εναλλακτικά ονόματα μοντέλου

Ailoot gemini-3.1-flash-tts-preview

Εναλλακτικές διαδρομές μεθόδων

Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.

Σχετικά ID μοντέλων

gemini-3.1-flash-tts-preview

FAQ · Gemini 3.1 Flash Tts Preview

Ποιες είσοδοι και αποτελέσματα διατίθενται;: POST /v1/audio/speech · gemini-3.1-flash-tts-preview: text → speech
Ποια πεδία χρησιμοποιεί το αίτημα;: POST /v1/audio/speech · gemini-3.1-flash-tts-preview: model, input, voice, response_format, stream_format

Gemini 3.1 Flash Tts Preview