Gemini 3.8 Flash Tts
Μοντέλο ομιλίας της Google για εκφραστική φωνητική απόδοση, ηχητικά βιβλία και διαλόγους με έλεγχο φωνής και υποστήριξη 130 γλωσσών.
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 3.8 Flash TTS προορίζεται για εκφραστική φωνητική απόδοση και εκτενή αφήγηση. Η Google δίνει έμφαση στα ηχητικά βιβλία, τους διαλόγους με πολλούς ομιλητές και τη σταθερότητα φωνής σε μεγάλα αποσπάσματα. Ο έλεγχος ομιλίας καλύπτει συναισθηματική εκφορά, ρυθμό και προφορά, συμπεριλαμβανομένων τοπικών προφορών και διαλέκτων.
Φωνές και γλώσσες
Για το μοντέλο δηλώνονται 130 γλώσσες, συμπεριλαμβανομένων των ρωσικών. Διατίθενται 30 έτοιμες φωνές, διευρυμένη βιβλιοθήκη, δημιουργία φωνητικής ταυτότητας από περιγραφή και αναπαραγωγή φωνής από δείγμα. Αυτές οι δυνατότητες επιτρέπουν την επιλογή χροιάς και χαρακτήρα εκτέλεσης για το συγκεκριμένο υλικό.
Οι ατάκες διαλόγου συνδέονται με ομιλητές. Ένα αίτημα με πολλούς ομιλητές μπορεί να χρησιμοποιεί το πολύ δύο έτοιμες φωνές. Με φωνές που δημιουργούνται από περιγραφή ή δείγμα, οι ατάκες συντίθενται ξεχωριστά· η ύπαρξη τέτοιας φωνής δεν τη μετατρέπει σε επιπλέον έτοιμη φωνή μέσα σε αίτημα πολλών φωνών.
Κείμενο και έλεγχος εκφοράς
Η είσοδος είναι κείμενο και η έξοδος ήχος. Τα όρια είναι 8 192 token εισόδου και 16 384 token εξόδου. Το κείμενο ερμηνεύεται ως εκφωνούμενη ατάκα· η περιγραφή ύφους και ο επιλεγμένος ομιλητής καθορίζονται χωριστά. Αυτό επιτρέπει τον διαχωρισμό των λέξεων που πρέπει να ακουστούν από τις οδηγίες για τον τρόπο ανάγνωσής τους.
Το ύφος καλύπτει συναίσθημα, ρυθμό, ένταση και προσωδία. Σύντομα συμβάντα — γέλιο, αναστεναγμός, παύση — ορίζονται με ειδικές ετικέτες ήχου μέσα στην ατάκα. Αυτές οι ετικέτες ελέγχουν την εκτέλεση και δεν αποτελούν κανονικές λέξεις προς ανάγνωση.
Μορφές ήχου και δυνατότητες
Στην κανονική δημιουργία επιστρέφεται από προεπιλογή WAV. Για μετάδοση σε ροή χρησιμοποιείται από προεπιλογή PCM χωρίς κεφαλίδα. Οι αρχικές παράμετροι είναι 24 kHz, ένα κανάλι και 16 bit. Προβλέπονται επίσης PCM, mu-law και A-law. Υποστηρίζονται προσωρινή αποθήκευση συμφραζομένων και μαζική επεξεργασία. Η συγκεκριμένη μορφή αρχείου και οι διαθέσιμες ρυθμίσεις εξαρτώνται από την επιλεγμένη μέθοδο ομιλίας.
Το μοντέλο ειδικεύεται στη δημιουργία ομιλίας. Δεν υποστηρίζονται κλήσεις συναρτήσεων, εκτέλεση κώδικα, αναζήτηση σε αρχεία, τεκμηρίωση μέσω αναζήτησης, Google Maps, δημιουργία εικόνων, δομημένες απαντήσεις κειμένου, Thinking και περιεχόμενο διευθύνσεων ιστού. Η σταθερή φωνή και η ελεγχόμενη εκφραστικότητα είναι δηλωμένες κατευθύνσεις του μοντέλου, όχι υπόσχεση τέλειας προφοράς κάθε ατάκας.
Ailoot · Σύνθεση ομιλίας POST /v1/audio/speech gemini-3.8-flash-tts
gemini-3.8-flash-ttsΕισαγωγή
Μοντέλο ομιλίας της Google για εκφραστική φωνητική απόδοση, ηχητικά βιβλία και διαλόγους με έλεγχο φωνής και υποστήριξη 130 γλωσσών.
- Αποδεκτές είσοδοι
- Κείμενο
- Αποτελέσματα
- Ήχος
Διαθέσιμα στο Ailoot · είσοδοι και μέθοδοι
Ailoot · Σύνθεση ομιλίας POST /v1/audio/speech
- Είσοδος
text- Έξοδος
audio- Παράθυρο συμφραζομένων
- 8.192 tokens
- Μέγιστη έξοδος
- 16.384 tokens
- Μορφή εξόδου
- εγγενή byte ήχου ή σύνδεσμοι αρχείων πολυμέσων σε JSON
| Πεδίο | Τύπος | Απαίτηση | Τιμές και όρια | Προεπιλογή |
|---|---|---|---|---|
Πεδίοmodel | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια gemini-3.8-flash-tts | Προεπιλογή— |
Πεδίοinput | Τύποςstring | ΑπαίτησηΥποχρεωτικό | Τιμές και όρια Ελάχιστο μήκος: 1 | Προεπιλογή— |
Πεδίοvoice | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια Achernar, Achird, Algenib, Algieba, Alnilam, Aoede, Arlo, Autonoe, Bodi, Brio, Callirrhoe, Charon, Cleo, Cruz, Daro, Despina, Elio, Enceladus, Enya, Enzo, Erinome, Fenrir, Finn, Fola, Gacrux, Gero, Hali, Iapetus, Jett, Jori, Kira, Knox, Koda, Kore, Laomedeia, Leda, Lora, Ludo, Lumi, Mako, Milo, Neno, Nika, Nyla, Olin, Orus, Puck, Pulcherrima, Rami, Rasalgethi, Riko, Rina, Sadachbia, Sadaltager, Sami, Schedar, Sola, Sulafat, Tari, Tavi, Tova, Umbriel, Varo, Veda, Vindemiatrix, Zali, Zeno, Zephyr, Zubenelgenubi, Zuri | ΠροεπιλογήKore |
Πεδίοresponse_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια , wav, json | Προεπιλογή |
Πεδίοstream_format | Τύποςstring | ΑπαίτησηΠροαιρετικό | Τιμές και όρια audio | Προεπιλογή— |
Συνδυασμοί υλικών εισόδου
text_to_speech · Υποχρεωτικό: input
Παράμετροι και κύκλος ζωής μεθόδου
| Παράμετρος | Σύμβαση |
|---|---|
Παράμετροςmaterial_types | Σύμβασηtext |
Παράμετροςrequired | Σύμβασηnull |
Παράμετροςoptional_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
POST /v1/audio/speech- Είσοδος
- 0,0005 $ / 1K
- Έξοδος
- 0,009 $ / 1K
- Ανάγνωση από την κρυφή μνήμη
- 0,000125 $ / 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
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-3.8-flash-tts", "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}/contentGET /v1/media/assetsGET /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 |
|---|---|
Πεδίοbinary native audio | Τύποςbytes |
Πεδίοmodel | Τύποςstring |
Πεδίοresponse_id | Τύποςstring |
Πεδίοactual_count | Τύποςinteger |
Πεδίοdata[] | 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. |
Απάντησηserver_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-3.8-flash-tts
Εναλλακτικές διαδρομές μεθόδων
Χρησιμοποιήστε τις διαδρομές μεθόδων που εμφανίζονται παραπάνω.
Σχετικά ID μοντέλων
FAQ · Gemini 3.8 Flash Tts
- Ποιες είσοδοι και αποτελέσματα διατίθενται;
POST /v1/audio/speech·gemini-3.8-flash-tts:text→audio- Ποια πεδία χρησιμοποιεί το αίτημα;
POST /v1/audio/speech·gemini-3.8-flash-tts:model,input,voice,response_format,stream_format- Ποια όρια ισχύουν;
POST /v1/audio/speech·gemini-3.8-flash-tts:ctx:8192;max_out:16384