Google Gemini 3.8 Flash TTS es el nivel de interpretación vocal creativa de la familia de texto a voz 3.8 de Google. Se centra en fidelidad acústica, amplitud emocional, acentos regionales y continuidad de la voz de un personaje a lo largo de diálogos extensos. Google destaca audiolibros, narración de estudio, pronunciación difícil y escenas con una actuación vocal considerable. La salida es audio hablado a partir de un guion de texto preparado, adecuado para revisar la interpretación de un narrador o acomodar una conversación escrita junto a otros elementos de producción.
Comienza con las palabras exactas que deben escucharse. La transcripción de 3.8 se trata de forma literal, mientras que el hablante y la interpretación sostenida pertenecen a metadatos de voz separados. Da a cada turno una identidad clara de hablante y, cuando sea útil, una indicación breve de estilo como preocupación contenida o curiosidad alegre. Divide una línea en turnos distintos cuando cambien sustancialmente la emoción o el ritmo. Así es más fácil revisar el encargo: la transcripción contiene el diálogo y la indicación adjunta explica cómo debe interpretarse esa parte. Las instrucciones escritas comunes colocadas en la transcripción pueden leerse en voz alta.
El sistema de voces 3.8 de Google incluye voces prediseñadas, una biblioteca ampliada de voces, personalidades diseñadas e identidades vocales replicadas. Elige la personalidad base antes de aplicar cambios temporales de actuación. Un acento regional estable o una identidad de personaje pertenecen a la voz elegida; el campo de estilo controla la interpretación actual. El fabricante aconseja reutilizar esa voz con indicaciones breves en lugar de repetir bloques largos de Audio Profile o Director’s Notes. Su configuración documentada de diálogo en una sola solicitud combina hasta dos hablantes prediseñados. Para personajes diseñados o replicados, la guía indica generar turnos individuales al armar un intercambio entre varios personajes.
Coloca una vocalización humana breve o una pausa en el punto pertinente con una etiqueta entre corchetes angulares. Un ejemplo de guion original es “Pensé que te habías ido. <short pause> <sigh> Dejé la luz encendida”. Asocia una interpretación apagada a todo el turno, en lugar de insertar esa instrucción entre las palabras habladas. La puntuación y las mayúsculas pueden ayudar a expresar una vacilación o enfatizar una palabra. Google también documenta reacciones del oyente delimitadas por barras verticales para respuestas breves de escucha y diálogos superpuestos, e identifica Flash TTS como la edición 3.8 preferida para una mayor superposición. Mantén esas reacciones lo bastante cortas para que el oyente aún comprenda la línea principal.
El fabricante enumera 130 idiomas compatibles con Flash TTS y enfatiza la cobertura de dialectos regionales y minoritarios. Un encargo de interpretación regional es útil para un personaje localizado de audiolibro o una narración cuyo acento importa a la audiencia. Prepara el guion en su idioma final, con grafías consistentes de nombres recurrentes y una lectura intencional de abreviaturas y números. Como paso editorial, comienza la revisión auditiva con los pasajes que contienen nombres difíciles, cambios de dialecto o transiciones emocionales. El acento y el ritmo deseados deben evaluarse en la voz generada, en lugar de suponerse únicamente por la etiqueta del idioma.
La guía de salida de 3.8 distingue los archivos completos del audio transmitido. El valor predeterminado de una solicitud completada es un archivo WAV con encabezado RIFF: 24 kHz, mono, PCM de 16 bits con signo y orden little-endian. El valor predeterminado de la transmisión es PCM lineal sin procesar y sin encabezado, con las mismas características de muestreo. PCM lineal sin procesar, mu-law y A-law también son opciones de codificación documentadas. Usa la información real de codificación al preparar la reproducción o importar el resultado a un editor. Para una secuencia de archivos separados de diálogo, mantén consistentes sus formatos y revisa las uniones para detectar cambios repentinos de nivel, ritmo o sonido ambiente.
La página exacta del modelo de Google especifica límites de servicio de Gemini API de 8,192 tokens de entrada y 16,384 de salida. Son límites de tokens, no una duración fija de audiolibro ni un número exacto de segundos de voz. Divide los guiones largos en límites con sentido y conserva la identidad vocal elegida entre secciones. En una producción del tamaño de un capítulo, escucha la continuidad en los cambios de párrafo y escena, además de la exactitud de las palabras dentro de cada segmento. Una buena revisión práctica registra qué líneas necesitan revisiones de pronunciación o actuación, en lugar de reescribir todo el encargo vocal después de cada toma.
Flash TTS y Flash-Lite TTS comparten la estructura de preparación de 3.8, por lo que la elección de edición puede seguir las exigencias del trabajo. Flash TTS enfatiza actuación, diálogo complejo, pronunciaciones difíciles y una cobertura dialectal más amplia; Flash-Lite enfatiza capacidad de producción para contenido hablado rutinario. Los controles expresivos se refieren a voz humana y eventos vocales. Los efectos de fondo, la música y una mezcla de producción terminada pueden planearse como recursos separados. La escritura de guiones, la traducción y el reconocimiento de voz grabada siguen siendo etapas distintas alrededor de este modelo de texto a audio.
", "aboutText": "Google Gemini 3.8 Flash TTS es el nivel de interpretación vocal creativa de la familia de texto a voz 3.8 de Google. Se centra en fidelidad acústica, amplitud emocional, acentos regionales y continuidad de la voz de un personaje a lo largo de diálogos extensos. Google destaca audiolibros, narración de estudio, pronunciación difícil y escenas con una actuación vocal considerable. La salida es audio hablado a partir de un guion de texto preparado, adecuado para revisar la interpretación de un narrador o acomodar una conversación escrita junto a otros elementos de producción.\n\nComienza con las palabras exactas que deben escucharse. La transcripción de 3.8 se trata de forma literal, mientras que el hablante y la interpretación sostenida pertenecen a metadatos de voz separados. Da a cada turno una identidad clara de hablante y, cuando sea útil, una indicación breve de estilo como preocupación contenida o curiosidad alegre. Divide una línea en turnos distintos cuando cambien sustancialmente la emoción o el ritmo. Así es más fácil revisar el encargo: la transcripción contiene el diálogo y la indicación adjunta explica cómo debe interpretarse esa parte. Las instrucciones escritas comunes colocadas en la transcripción pueden leerse en voz alta.\n\nEl sistema de voces 3.8 de Google incluye voces prediseñadas, una biblioteca ampliada de voces, personalidades diseñadas e identidades vocales replicadas. Elige la personalidad base antes de aplicar cambios temporales de actuación. Un acento regional estable o una identidad de personaje pertenecen a la voz elegida; el campo de estilo controla la interpretación actual. El fabricante aconseja reutilizar esa voz con indicaciones breves en lugar de repetir bloques largos de Audio Profile o Director’s Notes. Su configuración documentada de diálogo en una sola solicitud combina hasta dos hablantes prediseñados. Para personajes diseñados o replicados, la guía indica generar turnos individuales al armar un intercambio entre varios personajes.\n\nColoca una vocalización humana breve o una pausa en el punto pertinente con una etiqueta entre corchetes angulares. Un ejemplo de guion original es “Pensé que te habías ido.google/gemini-3.8-flash-ttsGoogle Gemini 3.8 Flash TTS crea voz expresiva para audiolibros, narración de estudio y diálogos de personajes. Combina un guion literal con indicaciones separadas de hablante y actuación, etiquetas vocales puntuales y cobertura de 130 idiomas, con énfasis en pronunciación, acentos regionales y consistencia de la voz.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Google Gemini 3.8 Flash TTS es el nivel de interpretación vocal creativa de la familia de texto a voz 3.8 de Google. Se centra en fidelidad acústica, amplitud emocional, acentos regionales y continuidad de la voz de un personaje a lo largo de diálogos extensos. Google destaca audiolibros, narración de estudio, pronunciación difícil y escenas con una actuación vocal considerable. La salida es audio hablado a partir de un guion de texto preparado, adecuado para revisar la interpretación de un narrador o acomodar una conversación escrita junto a otros elementos de producción.
Comienza con las palabras exactas que deben escucharse. La transcripción de 3.8 se trata de forma literal, mientras que el hablante y la interpretación sostenida pertenecen a metadatos de voz separados. Da a cada turno una identidad clara de hablante y, cuando sea útil, una indicación breve de estilo como preocupación contenida o curiosidad alegre. Divide una línea en turnos distintos cuando cambien sustancialmente la emoción o el ritmo. Así es más fácil revisar el encargo: la transcripción contiene el diálogo y la indicación adjunta explica cómo debe interpretarse esa parte. Las instrucciones escritas comunes colocadas en la transcripción pueden leerse en voz alta.
El sistema de voces 3.8 de Google incluye voces prediseñadas, una biblioteca ampliada de voces, personalidades diseñadas e identidades vocales replicadas. Elige la personalidad base antes de aplicar cambios temporales de actuación. Un acento regional estable o una identidad de personaje pertenecen a la voz elegida; el campo de estilo controla la interpretación actual. El fabricante aconseja reutilizar esa voz con indicaciones breves en lugar de repetir bloques largos de Audio Profile o Director’s Notes. Su configuración documentada de diálogo en una sola solicitud combina hasta dos hablantes prediseñados. Para personajes diseñados o replicados, la guía indica generar turnos individuales al armar un intercambio entre varios personajes.
Coloca una vocalización humana breve o una pausa en el punto pertinente con una etiqueta entre corchetes angulares. Un ejemplo de guion original es “Pensé que te habías ido. <short pause> <sigh> Dejé la luz encendida”. Asocia una interpretación apagada a todo el turno, en lugar de insertar esa instrucción entre las palabras habladas. La puntuación y las mayúsculas pueden ayudar a expresar una vacilación o enfatizar una palabra. Google también documenta reacciones del oyente delimitadas por barras verticales para respuestas breves de escucha y diálogos superpuestos, e identifica Flash TTS como la edición 3.8 preferida para una mayor superposición. Mantén esas reacciones lo bastante cortas para que el oyente aún comprenda la línea principal.
El fabricante enumera 130 idiomas compatibles con Flash TTS y enfatiza la cobertura de dialectos regionales y minoritarios. Un encargo de interpretación regional es útil para un personaje localizado de audiolibro o una narración cuyo acento importa a la audiencia. Prepara el guion en su idioma final, con grafías consistentes de nombres recurrentes y una lectura intencional de abreviaturas y números. Como paso editorial, comienza la revisión auditiva con los pasajes que contienen nombres difíciles, cambios de dialecto o transiciones emocionales. El acento y el ritmo deseados deben evaluarse en la voz generada, en lugar de suponerse únicamente por la etiqueta del idioma.
La guía de salida de 3.8 distingue los archivos completos del audio transmitido. El valor predeterminado de una solicitud completada es un archivo WAV con encabezado RIFF: 24 kHz, mono, PCM de 16 bits con signo y orden little-endian. El valor predeterminado de la transmisión es PCM lineal sin procesar y sin encabezado, con las mismas características de muestreo. PCM lineal sin procesar, mu-law y A-law también son opciones de codificación documentadas. Usa la información real de codificación al preparar la reproducción o importar el resultado a un editor. Para una secuencia de archivos separados de diálogo, mantén consistentes sus formatos y revisa las uniones para detectar cambios repentinos de nivel, ritmo o sonido ambiente.
La página exacta del modelo de Google especifica límites de servicio de Gemini API de 8,192 tokens de entrada y 16,384 de salida. Son límites de tokens, no una duración fija de audiolibro ni un número exacto de segundos de voz. Divide los guiones largos en límites con sentido y conserva la identidad vocal elegida entre secciones. En una producción del tamaño de un capítulo, escucha la continuidad en los cambios de párrafo y escena, además de la exactitud de las palabras dentro de cada segmento. Una buena revisión práctica registra qué líneas necesitan revisiones de pronunciación o actuación, en lugar de reescribir todo el encargo vocal después de cada toma.
Flash TTS y Flash-Lite TTS comparten la estructura de preparación de 3.8, por lo que la elección de edición puede seguir las exigencias del trabajo. Flash TTS enfatiza actuación, diálogo complejo, pronunciaciones difíciles y una cobertura dialectal más amplia; Flash-Lite enfatiza capacidad de producción para contenido hablado rutinario. Los controles expresivos se refieren a voz humana y eventos vocales. Los efectos de fondo, la música y una mezcla de producción terminada pueden planearse como recursos separados. La escritura de guiones, la traducción y el reconocimiento de voz grabada siguen siendo etapas distintas alrededor de este modelo de texto a audio.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites google/gemini-3.8-flash-tts | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 | Predeterminado— |
Campovoice | Tipostring | RequisitoObligatorio | Valores y límites Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callirrhoe, Autonoe, Enceladus, Iapetus, Umbriel, Algieba, Despina, Erinome, Algenib, Rasalgethi, Laomedeia, Achernar, Alnilam, Schedar, Gacrux, Pulcherrima, Achird, Zubenelgenubi, Vindemiatrix, Sadachbia, Sadaltager, Sulafat Longitud mínima: 1 | Predeterminado— |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores y límites mp3, pcm | Predeterminadopcm |
Campoprovider | Tipoobject | RequisitoOpcional | Valores y límites | Predeterminado— |
| Parámetro | Contrato |
|---|---|
Parámetrocontent_type | Contratoapplication/json |
Parámetrorequired | Contratomodel, input, voice |
Parámetromaterial_types | Contratotext |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · El task_id real devuelto o el registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las referencias tarifarias no añaden opciones a la solicitud. Los parámetros admitidos se indican en el método seleccionado.
Relaciona cada cargo con las condiciones mostradas. Usa una tarifa para cada conjunto de configuraciones alternativas.
| Configuración | Tabla de tarifas | Unidad de facturación | Cargo |
|---|---|---|---|
| ConfiguraciónTarifas base por token | Tabla de tarifasTarifa base | Unidad de facturación— | Cargo Entrada · Tokens de entrada — / 1K tokens Salida · Tokens de salida — / 1K tokens Entrada · Lectura de caché — / 1K tokens Entrada · Escritura en caché — / 1K tokens Entrada · Escritura en caché, 1 hora — / 1K tokens |
| Configuracióntoken de entrada | Tabla de tarifas— | Unidad de facturación/ 1K tokens | Cargo Entrada $0.001 / 1K tokens |
| Configuracióntoken de salida | Tabla de tarifas— | Unidad de facturación/ 1K tokens | Cargo Salida $0.018 / 1K tokens |
Ailoot reserva un monto estimado antes de la solicitud. Tras obtener el resultado, liquida el cargo definitivo según el uso medido. En las respuestas en flujo, la liquidación usa el registro de uso final. Cómo funcionan la reserva y la liquidación →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'google/gemini-3.8-flash-tts', 'input': '${ACTUAL_INPUT_TEXT}', 'voice': 'Zephyr'}\nrequest['input']=os.environ['AILOOT_INPUT_TEXT']\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nAudio binario completo o respuesta audio_url original, encabezados y cada recurso que te pertenezca.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nConserva todas las respuestas, archivos y partes de contenido completos recibidos.
Conserva la respuesta completa y los encabezados, todas las salidas reales, los identificadores originales devueltos y todos los campos de uso. Recupera la operación original sin volver a enviar la solicitud de creación.
Conserva el X-Client-Request-ID devuelto para la conciliación. Consulta únicamente los valores reales de task_id/asset_id devueltos o la biblioteca multimedia de tu propiedad; nunca construyas una URL de tarea a partir del ID de la operación ni vuelvas a enviar la solicitud de creación.
Ailoot Ultra google/gemini-3.8-flash-tts
Usa las rutas de método indicadas arriba.