Gemini 3.8 Flash Tts

Modelo de voz de Google para locución expresiva, audiolibros y diálogos, con control de voz y compatibilidad con 130 idiomas.

Ailoot · Síntesis de voz POST /v1/audio/speech gemini-3.8-flash-tts

Sobre el modelo

Esta descripción cubre las capacidades del modelo. Las entradas, salidas y opciones disponibles en Ailoot se indican a continuación para el método seleccionado.

Gemini 3.8 Flash TTS está orientado a locución expresiva y narraciones largas. Google destaca audiolibros, diálogos con varios hablantes y consistencia de la voz en fragmentos prolongados. Los controles incluyen emoción, ritmo y pronunciación, incluidos acentos regionales y dialectos.

Voces e idiomas

Se anuncian 130 idiomas, incluido el ruso. Hay 30 voces predefinidas, una biblioteca ampliada, creación de voces mediante descripción y reproducción a partir de una muestra. Permiten elegir timbre e interpretación para cada material.

Las intervenciones se vinculan a hablantes. Una solicitud con varios hablantes admite como máximo dos voces predefinidas. Las voces creadas mediante descripción o muestra se sintetizan en intervenciones separadas; tener una de esas voces no la convierte en otra voz predefinida dentro de la solicitud multivoz.

Texto y control de interpretación

La entrada es texto y la salida, audio. Los límites son de 8 192 tokens de entrada y 16 384 tokens de salida. El texto se interpreta como lo que debe pronunciarse; el estilo y el hablante se definen por separado. Permite separar las palabras de las indicaciones sobre cómo leerlas.

El estilo abarca emoción, ritmo, volumen y prosodia. Sonidos breves como risas, suspiros y pausas se indican con etiquetas de audio dentro de la intervención. Controlan la interpretación y no son palabras normales que deban leerse.

Formatos de audio y capacidades

La generación normal devuelve WAV por defecto. El streaming utiliza por defecto PCM sin cabecera. Los parámetros originales son 24 kHz, un canal y 16 bits. También se contemplan PCM, mu-law y A-law. Se admiten caché de contexto y procesamiento por lotes. El formato del archivo y los ajustes disponibles dependen del método de voz elegido.

El modelo se especializa en crear voz. No admite llamadas a funciones, ejecución de código, búsqueda en archivos, fundamentación mediante búsqueda, Google Maps, generación de imágenes, respuestas de texto estructuradas, Thinking ni contenido de direcciones web. La consistencia de la voz y la expresividad controlable son objetivos anunciados, no una promesa de pronunciación perfecta de cada intervención.

Ailoot · Síntesis de voz POST /v1/audio/speech gemini-3.8-flash-tts

gemini-3.8-flash-tts

Google /gemini-3.8-flash-tts

Primeros pasos

Modelo de voz de Google para locución expresiva, audiolibros y diálogos, con control de voz y compatibilidad con 130 idiomas.

Entradas aceptadas: Texto
Resultados: Audio

Disponible en Ailoot · entradas y métodos

Ailoot · Síntesis de voz POST /v1/audio/speech

Tipos de entrada: text
Tipos de salida: audio
Contexto: 8192 tokens
Salida máxima: 16.384 tokens
Formato de salida: bytes de audio nativo o enlaces JSON a recursos

Campo	Tipo	Requisito	Valores y límites	Predeterminado
Campo`model`	Tipo`string`	RequisitoObligatorio	Valores y límites gemini-3.8-flash-tts	Predeterminado—
Campo`input`	Tipo`string`	RequisitoObligatorio	Valores y límites Longitud mínima: 1	Predeterminado—
Campo`voice`	Tipo`string`	RequisitoOpcional	Valores y límites 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	PredeterminadoKore
Campo`response_format`	Tipo`string`	RequisitoOpcional	Valores y límites , wav, json	Predeterminado
Campo`stream_format`	Tipo`string`	RequisitoOpcional	Valores y límites audio	Predeterminado—

Combinaciones de materiales de entrada

text_to_speech · Obligatorio: input

Parámetros del método y ciclo de vida

Parámetro	Contrato
Parámetro`material_types`	Contratotext
Parámetro`required`	Contratonull
Parámetro`optional_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.

Planes

Tarifas de métodos Ailoot

Ailoot Síntesis de vozPOST /v1/audio/speech

Entrada: 0,0005 US$ / 1K
Salida: 0,009 US$ / 1K
Lectura de caché: 0,000125 US$ / 1K

Ailoot 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 →

Solicitudes de ejemplo

Ailoot · Síntesis de voz

Ejemplo de voz

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

Recibir y guardar resultados

Ailoot · Síntesis de voz

bytes de audio nativo o enlaces JSON a recursos

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

Conserva todos los resultados completados

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.

Si es necesario revisar la respuesta original

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.

Campos de respuesta

Campo	Tipo
Campo`binary native audio`	Tipobytes
Campo`model`	Tipostring
Campo`response_id`	Tipostring
Campo`actual_count`	Tipointeger
Campo`data[]`	Tipoowned audio asset link

Errores y siguientes pasos

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.
Respuesta`server_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.

Alias

Alias del modelo

Ailoot gemini-3.8-flash-tts

Alias de rutas de métodos

Usa las rutas de método indicadas arriba.

ID de modelo relacionados

gemini-3.8-flash-tts

FAQ · Gemini 3.8 Flash Tts

¿Qué entradas y resultados están disponibles?: POST /v1/audio/speech · gemini-3.8-flash-tts: text → audio
¿Qué campos utiliza la solicitud?: POST /v1/audio/speech · gemini-3.8-flash-tts: model, input, voice, response_format, stream_format
¿Qué límites se aplican?: POST /v1/audio/speech · gemini-3.8-flash-tts: ctx: 8192; max_out: 16384

Gemini 3.8 Flash Tts