Google: Gemini 3.8 Flash Lite TTS

Google Gemini 3.8 Flash-Lite TTS est le membre axé sur le débit de la famille de synthèse vocale 3.8 de Google. Il reçoit un script écrit et produit un audio parlé. Google le destine aux fonctions de lecture à voix haute, à la narration quotidienne par un seul locuteur, à la production audio à grand volume et à l’étape de sortie vocale des systèmes d’agents vocaux. Un livrable utile est un article lu avec une voix cohérente, une explication de produit parlée ou un ensemble de courts enregistrements pédagogiques. Le script doit déjà contenir les mots que l’auditeur doit entendre.

La famille 3.8 sépare la transcription des indications d’interprétation. Gardez le texte parlé mot pour mot et placez les indications soutenues d’émotion, de rythme, de volume ou de style d’élocution dans les métadonnées vocales. Une introduction chaleureuse, une instruction urgente et une conclusion douce peuvent chacune avoir une courte description de style jointe à leur propre tour. Un texte comme « Dites-le joyeusement » dans la transcription peut lui-même être prononcé. Les noms des locuteurs relèvent des métadonnées de locuteur plutôt que d’étiquettes dans le script audible. Cette préparation est particulièrement importante lorsqu’on réutilise des invites écrites pour Gemini 3.1 Flash TTS.

Utilisez des balises intégrées entre chevrons pour de brefs événements à un point précis : une inspiration, un rire, une toux, un soupir ou une pause. Par exemple, la transcription « La prochaine étape est simple. <short pause> Choisissez votre langue préférée. » garde la pause voulue près des mots qu’elle touche. Placez une interprétation chuchotée soutenue dans la description de style plutôt que d’ajouter des balises d’événement à répétition. Google recommande des noms de balises anglais même pour les scripts dans d’autres langues. Ces contrôles dirigent la voix; une piste d’applaudissements ou une porte qui claque exige une production sonore distincte plutôt qu’une balise d’événement vocal.

Google indique 101 langues prises en charge pour cette édition, notamment l’anglais, le russe, le chinois, le japonais, le coréen, le français, l’allemand, l’espagnol, l’indonésien et le vietnamien. Rédigez le script terminé dans la langue voulue, en incluant la forme souhaitée des noms, des abréviations et des nombres. Comme préparation éditoriale, écrivez en toutes lettres une abréviation ambiguë ou la lecture voulue d’un nombre lorsque l’auditeur doit entendre une forme particulière. Écoutez un premier passage contenant les noms et les transitions difficiles avant de considérer un long enregistrement comme terminé. Un nombre de langues ne rend pas toutes les prononciations régionales interchangeables.

Le fabricant prend en charge les voix prédéfinies, une bibliothèque vocale étendue, les personas vocaux conçus et la reproduction de voix. Sélectionnez l’identité vocale séparément des indications temporaires d’interprétation. Réutilisez cette identité et une description compacte de l’interprétation entre les sections lorsque la narration doit rester cohérente. Dans la configuration documentée à deux locuteurs, attribuez à chaque tour un locuteur explicite correspondant à l’une des deux voix prédéfinies configurées. Le guide de Google traite les scènes à plusieurs personnages avec des voix conçues ou reproduites en générant les tours individuellement. Cette distinction compte lorsqu’on prépare un dialogue plutôt qu’un seul narrateur.

Pour les requêtes terminées ordinaires, le guide 3.8 de Google précise un audio WAV avec un en-tête RIFF, contenant du PCM mono à 24 kHz, signé 16 bits à ordre des octets petit-boutiste. Sa configuration de diffusion continue renvoie plutôt par défaut des blocs PCM bruts sans en-tête; le guide documente aussi les choix d’encodage PCM linéaire brut, mu-law et A-law. Faites correspondre les réglages de lecture ou de montage au format réel de sortie. Renommer du PCM sans en-tête avec l’extension WAV n’ajoute pas l’information du conteneur. Lors de l’assemblage de tours générés séparément, gardez un format audio cohérent et traitez chaque WAV complet comme un fichier ayant son propre en-tête.

La page du modèle exact indique des limites Gemini API de 8 192 jetons d’entrée et de 16 384 jetons de sortie. Les jetons audio n’expriment pas un nombre fixe de secondes de parole. Préparez le contenu long en sections significatives, en conservant la même voix et la même consigne de style et en écoutant les raccords. Ce sont les limites de service documentées par le fabricant pour ce modèle; elles décrivent une quantité différente d’un champ de contexte générique de catalogue. Le texte est l’entrée et l’audio est la sortie; la rédaction du script, la traduction et la transcription sont donc des tâches distinctes de préparation ou de suivi.

Flash-Lite partage la structure de requête 3.8 avec Gemini 3.8 Flash TTS. Le choix pratique porte sur l’interprétation requise : Flash-Lite vise une production rapide et répétée, tandis que Flash TTS est le volet créatif pour les prononciations difficiles, l’interprétation nuancée et une couverture plus large des dialectes. Un article d’aide courant et une scène dramatique à deux personnages imposent des exigences différentes à la voix. Vérifiez dans l’enregistrement réel les mots omis ou répétés, la prononciation, le rythme et les changements audibles entre segments avant de l’utiliser dans l’expérience d’écoute finale.