Google: Gemini 3.8 Flash TTS

Google Gemini 3.8 Flash TTS est le niveau de performance vocale créative de la famille de synthèse vocale 3.8 de Google. Il privilégie la fidélité acoustique, la variété émotionnelle, les accents régionaux et la continuité de la voix d’un personnage sur de longs dialogues. Google met en avant les livres audio, la narration en studio, les prononciations difficiles et les scènes comportant un jeu vocal important. La sortie est un audio parlé produit à partir d’un script textuel préparé, adapté à l’évaluation de la performance d’un narrateur ou à l’intégration d’une conversation scénarisée avec d’autres éléments de production.

Commencez par les mots exacts à entendre. Le transcript 3.8 est traité mot pour mot, tandis que le locuteur et la performance soutenue relèvent de métadonnées vocales séparées. Attribuez à chaque tour une identité de locuteur claire et, lorsque c’est utile, une brève indication de style, comme une inquiétude contenue ou une curiosité joyeuse. Scindez une réplique en tours distincts lorsque l’émotion ou le rythme change fortement. Les instructions deviennent ainsi plus faciles à examiner : le transcript contient le dialogue et la direction associée explique comment interpréter cette partie. Des instructions écrites ordinaires placées dans le transcript peuvent être lues à voix haute.

Le système vocal 3.8 de Google comprend des voix prédéfinies, une bibliothèque vocale étendue, des personas conçus et des identités vocales répliquées. Choisissez le persona de base avant d’appliquer des changements de jeu temporaires. Un accent régional stable ou l’identité d’un personnage relève de la voix choisie ; le champ de style contrôle la performance du moment. Le fabricant recommande de réutiliser cette voix avec des instructions brèves plutôt que de répéter de longs blocs Audio Profile ou Director’s Notes. Sa configuration de dialogue documentée pour une requête unique combine jusqu’à deux locuteurs prédéfinis. Pour les personnages conçus ou répliqués, le guide préconise de générer les tours individuellement lors de l’assemblage d’un échange entre plusieurs personnages.

Placez une brève vocalisation humaine ou une pause au point concerné avec une balise entre chevrons. Voici un exemple original de script : « Je pensais que tu étais parti. <short pause> <sigh> J’ai laissé la lumière allumée. » Associez une interprétation retenue à l’ensemble du tour plutôt que de placer cette instruction parmi les mots prononcés. La ponctuation et les majuscules peuvent aider à formuler une hésitation ou à accentuer un mot. Google documente aussi des réactions d’auditeur délimitées par des barres verticales pour les brèves interventions d’écoute et les dialogues qui se chevauchent, et identifie Flash TTS comme l’édition 3.8 privilégiée pour des chevauchements plus importants. Gardez ces réactions assez courtes pour que l’auditeur comprenne encore la réplique principale.

Le fabricant indique 130 langues prises en charge pour Flash TTS et met l’accent sur la couverture des dialectes régionaux et minoritaires. Des instructions de performance régionale servent à un personnage de livre audio localisé ou à une narration dont l’accent compte pour le public. Préparez le script dans sa langue finale, avec une orthographe cohérente des noms récurrents et une lecture intentionnelle des abréviations et des nombres. Comme étape éditoriale, commencez la vérification à l’écoute par les passages contenant des noms difficiles, des changements de dialecte ou des transitions émotionnelles. Évaluez l’accent et le rythme souhaités dans la voix générée plutôt que de les supposer à partir du seul libellé de langue.

Le guide de sortie 3.8 distingue les fichiers complets de l’audio en streaming. Par défaut, une requête terminée produit un fichier WAV avec un en-tête RIFF : 24 kHz, mono, PCM signé 16 bits little-endian. Le streaming produit par défaut du PCM linéaire brut sans en-tête, avec les mêmes caractéristiques d’échantillonnage. Le PCM linéaire brut, mu-law et A-law sont également des choix d’encodage documentés. Utilisez les informations réelles d’encodage pour préparer la lecture ou importer le résultat dans un éditeur. Pour une série de fichiers de dialogue séparés, gardez des formats cohérents et inspectez les raccords afin de détecter les changements soudains de niveau, de rythme ou d’ambiance sonore.

La page exacte du modèle de Google spécifie des limites de service Gemini API de 8 192 tokens d’entrée et 16 384 tokens de sortie. Ce sont des limites de tokens, pas une durée fixe de livre audio ni un nombre exact de secondes de parole. Divisez les longs scripts à des frontières pertinentes et conservez l’identité vocale choisie entre les sections. Pour une production de la longueur d’un chapitre, écoutez la continuité aux changements de paragraphe et de scène, ainsi que l’exactitude des mots dans chaque segment. Une bonne vérification pratique consigne les répliques à reprendre pour la prononciation ou le jeu plutôt que de réécrire toutes les instructions vocales après chaque prise.

Flash TTS et Flash-Lite TTS partagent la structure de préparation 3.8 ; le choix d’édition peut donc suivre les exigences du travail. Flash TTS privilégie le jeu, les dialogues complexes, les prononciations difficiles et une couverture dialectale plus large ; Flash-Lite privilégie le débit de production pour les contenus parlés courants. Les réglages expressifs concernent la parole humaine et les événements vocaux. Les effets d’arrière-plan, une partition musicale et un mixage de production terminé peuvent être prévus comme des éléments distincts. L’écriture du script, la traduction et la reconnaissance de parole enregistrée restent des étapes séparées autour de ce modèle de conversion de texte en audio.