Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview est l’édition de synthèse vocale de la famille Gemini 3.1 Flash Audio. Il accepte du texte et produit un audio parlé dont l’expression est dirigée par l’invite. Google décrit cette génération comme une amélioration du naturel de la parole, de la contrôlabilité et des performances multilingues, avec des dialogues natifs à plusieurs locuteurs et plus de 70 langues. Une utilisation pratique est une courte leçon narrée, un échange entre personnages ou un passage parlé dont l’interprétation compte autant que la formulation.

Préparez un script terminé et une consigne d’interprétation. Cette génération utilise des instructions en langage naturel dans l’entrée textuelle pour guider le style vocal, le rythme et l’élocution. Le lancement de Google introduit des indications de scène pour établir une situation, des Audio Profiles de locuteurs pour définir les personnages et des Director’s Notes pour guider le rythme, le ton et l’accent. Gardez ces parties identifiables lors de la préparation de l’invite afin que les mots prévus et les instructions d’interprétation puissent être vérifiés indépendamment. Une consigne concise est plus facile à réviser que plusieurs descriptions concurrentes de la même voix.

Par exemple, une consigne originale de répétition peut décrire un narrateur calme expliquant une exposition de musée, avec un phrasé mesuré et un ton plus chaleureux à la dernière phrase. Le script joint doit contenir les noms réels de l’exposition et la formulation précise à prononcer. Pour un dialogue, donnez aux personnages des profils distincts et une séquence claire de tours. Utilisez le contexte de scène pour expliquer si un locuteur rassure l’autre, pose une vraie question ou répond avec une surprise retenue. Le livrable généré à évaluer est l’interprétation audible de ce script.

Les balises audio intégrées ajoutent un contrôle local dans le texte, ce qui permet à l’expression d’un locuteur de changer au sein d’une phrase plutôt que de reposer entièrement sur l’indication initiale. Google décrit les balises comme contrôlant le style vocal, le rythme et l’élocution. Utilisez-les là où l’interprétation exige un changement particulier et gardez le reste de la formulation naturel à prononcer. La distinction utile dans cette édition est celle entre la consigne générale de personnage ou de scène et le changement local d’interprétation. Un court passage neutre peut établir la voix de base avant que le script n’ajoute davantage d’indications émotionnelles.

Pour le travail multilingue, fournissez le script dans sa langue finale et indiquez l’accent et le style de parole souhaités dans la consigne. L’annonce de Google documente la prise en charge de plus de 70 langues. Comme préparation éditoriale pratique, donnez aux noms récurrents une orthographe cohérente, développez les abréviations ambiguës lorsqu’une lecture précise est requise et vérifiez les nombres dans le résultat parlé. Une étiquette de langue ne détermine pas à elle seule comment un nom de marque ou un emprunt doit sonner. Comparez les passages contenant ces termes avec la lecture souhaitée avant d’accepter une longue narration.

La page Gemini API du modèle exact indique une limite d’entrée de 8 192 jetons et une limite de sortie de 16 384 jetons pour ce modèle en préversion. La fiche native du modèle TTS de DeepMind indique séparément une entrée textuelle allant jusqu’à 16K jetons et une sortie audio de 32K jetons; ces chiffres de fiche de modèle sont distincts des limites de service Gemini API. Comptez les indications d’interprétation dans l’entrée préparée autant que le script. La capacité de sortie s’exprime en jetons audio et ne garantit donc pas une durée d’enregistrement particulière. Organisez une longue leçon ou une histoire en sections cohérentes, conservez la même consigne de personnage et écoutez les raccords. Pour un dialogue scénarisé, vérifiez l’attribution et l’ordre des tours en plus des mots prononcés et de l’interprétation émotionnelle.

La documentation de migration de Google identifie la sortie 3.1 par défaut comme du PCM brut sans en-tête de type audio/l16. Les octets audio nécessitent l’information appropriée de lecture ou de conteneur lors de la préparation d’un enregistrement modifiable; ajouter seulement un nom de fichier WAV ne crée pas un en-tête WAV. Vérifiez le format réellement renvoyé avant d’importer le résultat. Google indique aussi que l’audio généré par Gemini 3.1 Flash TTS comporte un filigrane SynthID imperceptible. Le filigrane concerne l’identification de l’audio généré et ne remplace pas une transcription, des étiquettes de locuteurs ou une vérification à l’écoute.

Le style de préparation 3.1 diffère sensiblement de 3.8. Gemini 3.8 déplace les indications soutenues et l’identité du locuteur dans des métadonnées vocales structurées, utilise des balises d’événements ponctuels entre chevrons et change les valeurs par défaut des requêtes terminées pour WAV. Préservez une invite 3.1 comme une invite 3.1 plutôt que d’y mélanger cette structure de requête plus récente. Le tableau de modèles pris en charge de Google indique la synthèse à un ou plusieurs locuteurs pour 3.1, tandis que ses contrôles de voix conçues et de reproduction de voix appartiennent aux entrées 3.8. L’édition distincte Flash Live gère l’entrée audio interactive; cette édition TTS sert à la production préparée de texte vers audio.

Vérifiez l’enregistrement à partir du script écrit pour déceler les mots omis ou répétés, les noms, le minutage des tours et les changements émotionnels souhaités. Si une phrase nécessite une accentuation différente, révisez cette indication locale et examinez la transition touchée. Ce flux de travail rend la consigne d’interprétation utile : elle consigne ce qui doit rester stable chez le locuteur et ce qui doit changer dans ce passage, tandis que le script préserve le contenu que le public doit entendre.