Gemini 3.8 Flash Tts

Googlen puhemalli ilmeikkääseen ääneenlukemiseen, äänikirjoihin ja keskusteluihin äänenohjauksella ja 130 kielen tuella.

Ailoot · Puhesynteesi POST /v1/audio/speech gemini-3.8-flash-tts

Tietoa mallista

Tämä kuvaus kattaa mallin ominaisuudet. Ailootissa saatavilla olevat syötteet, tulosteet ja asetukset luetellaan alla valitulle menetelmälle.

Gemini 3.8 Flash TTS on tarkoitettu ilmeikkääseen ääneenlukemiseen ja pitkään kerrontaan. Google painottaa äänikirjoja, usean puhujan keskusteluja ja äänen pysyvyyttä pitkissä jaksoissa. Puheen ohjaus kattaa tunneilmaisun, rytmin ja ääntämisen, myös alueelliset aksentit ja murteet.

Äänet ja kielet

Mallille ilmoitetaan 130 kieltä, venäjä mukaan lukien. Käytettävissä ovat 30 valmista ääntä, laajennettu kirjasto, äänihahmon luominen kuvauksesta ja äänen jäljittely näytteen perusteella. Näillä voidaan valita äänenväri ja esitystapa tietylle aineistolle.

Keskustelun repliikit sidotaan puhujiin. Yksi usean puhujan pyyntö voi käyttää enintään kahta valmista ääntä. Kuvauksen tai näytteen perusteella luoduilla äänillä repliikit syntetisoidaan erikseen; tällainen ääni ei muutu ylimääräiseksi valmiiksi ääneksi moniäänisen pyynnön sisällä.

Teksti ja esityksen ohjaus

Syöte on tekstiä ja tuloste ääntä. Rajat ovat 8 192 syötetokenia ja 16 384 tulostetokenia. Teksti tulkitaan lausuttavaksi repliikiksi; tyylikuvaus ja valittu puhuja määritetään erikseen. Näin lausuttavat sanat erotetaan niiden lukutapaa koskevista ohjeista.

Tyyli kattaa tunteen, tempon, äänenvoimakkuuden ja prosodian. Lyhyet tapahtumat, kuten nauru, huokaus ja tauko, määritetään repliikin sisäisillä erikoisäänitunnisteilla. Nämä tunnisteet ohjaavat esitystä eivätkä ole tavallisia ääneen luettavia sanoja.

Ääniformaatit ja ominaisuudet

Tavallisessa generoinnissa palautetaan oletuksena WAV. Suoratoiston oletus on PCM ilman otsaketta. Lähtöasetukset ovat 24 kHz, yksi kanava ja 16 bittiä. Myös PCM, mu-law ja A-law ovat käytettävissä. Kontekstin välimuistia ja eräkäsittelyä tuetaan. Tiedoston varsinainen formaatti ja käytettävissä olevat asetukset riippuvat valitusta puhemenetelmästä.

Malli on erikoistunut puheen luomiseen. Funktiokutsuja, koodin suoritusta, tiedostohakua, hakutuloksiin perustuvaa ankkurointia, Google Maps -palvelua, kuvagenerointia, rakenteisia tekstivastauksia, Thinking-ominaisuutta eikä verkko-osoitteiden sisältöä tueta. Vakaa ääni ja säädettävä ilmeikkyys ovat mallin ilmoitettuja painopisteitä, eivät lupaus jokaisen repliikin täydellisestä ääntämisestä.

Ailoot · Puhesynteesi POST /v1/audio/speech gemini-3.8-flash-tts

gemini-3.8-flash-tts

Google /gemini-3.8-flash-tts

Aloitus

Googlen puhemalli ilmeikkääseen ääneenlukemiseen, äänikirjoihin ja keskusteluihin äänenohjauksella ja 130 kielen tuella.

Hyväksytyt syötteet: Teksti
Tulokset: Ääni

Saatavilla Ailootissa · syötteet & menetelmät

Ailoot · Puhesynteesi POST /v1/audio/speech

Syötetyypit: text
Tulostyypit: audio
Konteksti: 8 192 tokens
Enimmäistuloste: 16 384 tokens
Tulosteen muoto: natiivit äänitavut tai JSON-aineistolinkit

Kenttä	Tyyppi	Vaatimus	Arvot & rajat	Oletus
Kenttä`model`	Tyyppi`string`	VaatimusPakollinen	Arvot & rajat gemini-3.8-flash-tts	Oletus—
Kenttä`input`	Tyyppi`string`	VaatimusPakollinen	Arvot & rajat Vähimmäispituus: 1	Oletus—
Kenttä`voice`	Tyyppi`string`	VaatimusValinnainen	Arvot & rajat 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	OletusKore
Kenttä`response_format`	Tyyppi`string`	VaatimusValinnainen	Arvot & rajat , wav, json	Oletus
Kenttä`stream_format`	Tyyppi`string`	VaatimusValinnainen	Arvot & rajat audio	Oletus—

Syöteaineistojen yhdistelmät

text_to_speech · Pakollinen: input

Menetelmän parametrit ja elinkaari

Parametri	Sopimus
Parametri`material_types`	Sopimustext
Parametri`required`	Sopimusnull
Parametri`optional_controls`	Sopimusnull

Elinkaari: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · todellisuudessa palautettu task_id tai mediakirjaston tietue

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Menetelmien rakenteet ja ID:t ovat täsmällisiä; toimittajan kyvykkyys on erillinen pyynnön hyväksymisestä.

Hinnoittelu

Ailoot-menetelmien hinnat

Ailoot PuhesynteesiPOST /v1/audio/speech

Syöte: 0,0005 $ / 1K
Tuloste: 0,009 $ / 1K
Välimuistin luku: 0,000125 $ / 1K

Ailoot varaa arvioidun summan ennen pyyntöä. Tuloksen jälkeen lopullinen veloitus toteutetaan mitatun käytön perusteella. Suoratoiston veloituksessa käytetään lopullista käyttötietuetta. Varauksen ja lopullisen veloituksen toiminta →

Esimerkkipyynnöt

Ailoot · Puhesynteesi

Puhe-esimerkki

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

Vastaanota ja tallenna tulokset

Ailoot · Puhesynteesi

natiivit äänitavut tai JSON-aineistolinkit

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

Säilytä kaikki valmistuneet tulokset

Säilytä jokainen kokonainen palautettu vastaus, tiedosto ja sisällön osa.

Yksi tulos palautetaan oletuksena natiiveina äänitavuina todellisella Content-Type-otsakkeella; response_format=json tai useampi tulos palauttaa kaikki käyttäjälle kuuluvat linkit. Pyydettyä MP3/Opus/AAC/FLAC/PCM-muunnosta tai SSE:tä ei tehdä.

Jos alkuperäinen vastaus on tarkistettava

Säilytä alkuperäinen operation_id/X-Client-Request-ID täsmäytystä varten lähettämättä pyyntöä uudelleen; erillistä äänen tilakyselyreittiä ei ole.

Vastauksen kentät

Kenttä	Tyyppi
Kenttä`binary native audio`	Tyyppibytes
Kenttä`model`	Tyyppistring
Kenttä`response_id`	Tyyppistring
Kenttä`actual_count`	Tyyppiinteger
Kenttä`data[]`	Tyyppiowned audio asset link

Virheet ja seuraavat vaiheet

Vastaus	Ehto	Seuraava vaihe
Vastaus400 · `invalid_request_error`	EhtoVirheelliset pakolliset kentät, aineiston esitysmuoto tai parametrin arvo	Seuraava vaiheKorjaa ilmoitetut kentät ennen uutta luontipyyntöä.
Vastaus`server_error`	EhtoPalautettu vastaus ilmoittaa, että operaatio tai tulos edellyttää tarkistusta	Seuraava vaiheSäilytä alkuperäinen palautettu operaation tai tehtävän ID, pyynnön otsakkeet ja vastaus; jatka kyseisen alkuperäisen operaation tuettuja lukutoimintoja. Älä lähetä luontipyyntöä uudelleen.

Aliakset

Mallin aliakset

Ailoot gemini-3.8-flash-tts

Menetelmäpolkujen aliakset

Käytä yllä näytettyjä menetelmäpolkuja.

Liittyvät kutsujan ID:t

gemini-3.8-flash-tts

FAQ · Gemini 3.8 Flash Tts

Mitä syötteitä ja tuloksia on saatavilla?: POST /v1/audio/speech · gemini-3.8-flash-tts: text → audio
Mitä kenttiä pyyntö käyttää?: POST /v1/audio/speech · gemini-3.8-flash-tts: model, input, voice, response_format, stream_format
Mitä rajoja sovelletaan?: POST /v1/audio/speech · gemini-3.8-flash-tts: ctx: 8192; max_out: 16384

Gemini 3.8 Flash Tts