Gemini 3.1 Flash TTS Preview convierte texto en voz. Su objetivo es una locución natural cuya narración se controla mediante indicaciones de texto. La forma de pronunciar puede definirse junto con las instrucciones de voz y las etiquetas de audio expresivas ayudan a obtener la interpretación deseada.
La entrada de este modelo es texto y la salida, una grabación de audio. La entrada máxima es de 8 192 tokens y la salida máxima, de 16 384 tokens. Está diseñado para sintetizar voz a partir de texto preparado; no es un modelo normal de respuestas de texto ni de transcripción de grabaciones.
Se contempla locución con una sola voz y diálogos con varios hablantes. La pronunciación se controla con instrucciones que describen la lectura y la expresividad de las intervenciones. Para tareas de voz repetidas, el fabricante indica generación por lotes.
El formato original de una respuesta normal es PCM sin cabecera WAV. Es una característica de esta versión preliminar concreta: no debe suponerse automáticamente que los bytes devueltos sean un archivo WAV terminado.
La ficha no anuncia caché de contexto, ejecución de código, búsqueda en archivos, llamadas a funciones, fundamentación mediante búsqueda, Google Maps, generación de imágenes, respuestas de texto estructuradas, Thinking ni lectura de direcciones web. La síntesis de voz es su tarea de salida especializada; las capacidades de los modelos de texto no se trasladan a ella.
gemini-3.1-flash-tts-preview pertenece a versiones preliminares de voz anteriores. Sus controles de voz y formato de audio deben considerarse por separado de modelos TTS posteriores. No se han anunciado para esta versión creación de una voz nueva ni reproducción a partir de una muestra; su ficha tampoco indica el número exacto de idiomas admitidos.
Las capacidades descritas corresponden al propio modelo. La forma concreta de enviar texto, ajustes de hablantes y recibir un archivo de audio depende del método de voz compatible.
", "aboutText": "Gemini 3.1 Flash TTS Preview convierte texto en voz. Su objetivo es una locución natural cuya narración se controla mediante indicaciones de texto. La forma de pronunciar puede definirse junto con las instrucciones de voz y las etiquetas de audio expresivas ayudan a obtener la interpretación deseada.\n\n### El texto se convierte en audio\n\nLa entrada de este modelo es **texto** y la salida, una **grabación de audio**. La entrada máxima es de **8 192 tokens** y la salida máxima, de **16 384 tokens**. Está diseñado para sintetizar voz a partir de texto preparado; no es un modelo normal de respuestas de texto ni de transcripción de grabaciones.\n\nSe contempla locución con una sola voz y diálogos con varios hablantes. La pronunciación se controla con instrucciones que describen la lectura y la expresividad de las intervenciones. Para tareas de voz repetidas, el fabricante indica generación por lotes.\n\n### Formato del resultado y especialidad\n\nEl formato original de una respuesta normal es **PCM sin cabecera WAV**. Es una característica de esta versión preliminar concreta: no debe suponerse automáticamente que los bytes devueltos sean un archivo WAV terminado.\n\nLa ficha no anuncia caché de contexto, ejecución de código, búsqueda en archivos, llamadas a funciones, fundamentación mediante búsqueda, Google Maps, generación de imágenes, respuestas de texto estructuradas, Thinking ni lectura de direcciones web. La síntesis de voz es su tarea de salida especializada; las capacidades de los modelos de texto no se trasladan a ella.\n\n### Versión preliminar\n\n`gemini-3.1-flash-tts-preview` pertenece a versiones preliminares de voz anteriores. Sus controles de voz y formato de audio deben considerarse por separado de modelos TTS posteriores. No se han anunciado para esta versión creación de una voz nueva ni reproducción a partir de una muestra; su ficha tampoco indica el número exacto de idiomas admitidos.\n\nLas capacidades descritas corresponden al propio modelo. La forma concreta de enviar texto, ajustes de hablantes y recibir un archivo de audio depende del método de voz compatible.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "952bc69a330d36d7824535c891ac582a2bff8afdc3d1e5b1c1c7ba29a5f6bc8a", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "es", "methods": [ { "html": "gemini-3.1-flash-tts-previewModelo de voz de Google para poner voz a textos, con control de la narración y etiquetas de audio expresivas.
Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.
Gemini 3.1 Flash TTS Preview convierte texto en voz. Su objetivo es una locución natural cuya narración se controla mediante indicaciones de texto. La forma de pronunciar puede definirse junto con las instrucciones de voz y las etiquetas de audio expresivas ayudan a obtener la interpretación deseada.
La entrada de este modelo es texto y la salida, una grabación de audio. La entrada máxima es de 8 192 tokens y la salida máxima, de 16 384 tokens. Está diseñado para sintetizar voz a partir de texto preparado; no es un modelo normal de respuestas de texto ni de transcripción de grabaciones.
Se contempla locución con una sola voz y diálogos con varios hablantes. La pronunciación se controla con instrucciones que describen la lectura y la expresividad de las intervenciones. Para tareas de voz repetidas, el fabricante indica generación por lotes.
El formato original de una respuesta normal es PCM sin cabecera WAV. Es una característica de esta versión preliminar concreta: no debe suponerse automáticamente que los bytes devueltos sean un archivo WAV terminado.
La ficha no anuncia caché de contexto, ejecución de código, búsqueda en archivos, llamadas a funciones, fundamentación mediante búsqueda, Google Maps, generación de imágenes, respuestas de texto estructuradas, Thinking ni lectura de direcciones web. La síntesis de voz es su tarea de salida especializada; las capacidades de los modelos de texto no se trasladan a ella.
gemini-3.1-flash-tts-preview pertenece a versiones preliminares de voz anteriores. Sus controles de voz y formato de audio deben considerarse por separado de modelos TTS posteriores. No se han anunciado para esta versión creación de una voz nueva ni reproducción a partir de una muestra; su ficha tampoco indica el número exacto de idiomas admitidos.
Las capacidades descritas corresponden al propio modelo. La forma concreta de enviar texto, ajustes de hablantes y recibir un archivo de audio depende del método de voz compatible.
POST /v1/audio/speechtextspeech| Campo | Tipo | Requisito | Valores y límites | Predeterminado |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObligatorio | Valores y límites gemini-3.1-flash-tts-preview | Predeterminado— |
Campoinput | Tipostring | RequisitoObligatorio | Valores y límites Longitud mínima: 1 | Predeterminado— |
Campovoice | Tipostring | RequisitoOpcional | Valores y límites Kore | PredeterminadoKore |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores y límites , wav, json | Predeterminado |
Campostream_format | Tipostring | RequisitoOpcional | Valores y límites audio | Predeterminado— |
text_to_speech · Obligatorio: input
| Parámetro | Contrato |
|---|---|
Parámetromaterial_types | Contratotext |
Parámetrorequired | Contratonull |
Parámetrooptional_controls | Contratonull |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id real devuelto o registro de la biblioteca multimedia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Las estructuras e ID de los métodos son exactos; la capacidad del proveedor y la admisión son conceptos distintos.
POST /v1/audio/speechAiloot reserva un importe 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_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-3.1-flash-tts-preview", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\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 speech.wav\nbytes de audio nativo o enlaces JSON a recursos
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Conserva todas las respuestas, archivos y partes de contenido completos recibidos.
Con una sola salida se devuelven de forma predeterminada los bytes de audio nativo con el Content-Type real; response_format=json o varias salidas devuelven todos los enlaces a recursos bajo tu titularidad. No se ofrece conversión solicitada a MP3/Opus/AAC/FLAC/PCM ni SSE.
Conserva el operation_id/X-Client-Request-ID original para la conciliación sin volver a enviar la solicitud; no hay una ruta dedicada para consultar periódicamente el audio.
| Campo | Tipo |
|---|---|
Campobinary native audio | Tipobytes |
Campomodel | Tipostring |
Camporesponse_id | Tipostring |
Campoactual_count | Tipointeger |
Campodata[] | Tipoowned audio asset link |
| Respuesta | Condición | Siguiente paso |
|---|---|---|
Respuesta400 · invalid_request_error | CondiciónCampos obligatorios, representación del material o valor del parámetro no válidos | Siguiente pasoCorrige los campos indicados antes de una nueva solicitud de creación. |
Respuestaserver_error | CondiciónLa respuesta devuelta indica que la operación o el resultado requiere una comprobación | Siguiente pasoConserva el ID original de operación o tarea devuelto, las cabeceras de la solicitud y la respuesta; continúa con las lecturas admitidas de esa operación original. No vuelvas a enviar la solicitud de creación. |
Ailoot gemini-3.1-flash-tts-preview
Usa las rutas de método indicadas arriba.