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 le prompt. Google décrit cette génération comme une amélioration du naturel de la parole, du contrôle et des performances multilingues, avec des dialogues natifs à plusieurs locuteurs et plus de 70 langues. Un usage 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 des instructions d’interprétation. Cette génération utilise des instructions en langage naturel dans l’entrée textuelle pour guider le style vocal, le rythme et l’interprétation. La version de Google introduit une direction 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 du prompt afin de vérifier séparément les mots prévus et les instructions d’interprétation. Des instructions concises sont plus faciles à réviser que plusieurs descriptions concurrentes de la même voix.

Par exemple, des instructions originales de répétition peuvent décrire un narrateur calme présentant une pièce de musée, avec un phrasé mesuré et un ton plus chaleureux sur la dernière phrase. Le script associé doit contenir les noms réels de la pièce et les formulations précises à prononcer. Pour un dialogue, attribuez aux personnages des profils distincts et une séquence de tours claire. Utilisez le contexte de scène pour expliquer si un locuteur rassure l’autre, pose une vraie question ou répond avec une surprise contenue. Le livrable généré à évaluer est l’interprétation audible de ce script.

Les balises audio intégrées ajoutent un contrôle local dans le texte, permettant à l’expression d’un locuteur de changer au sein d’une phrase plutôt que de dépendre entièrement de la direction initiale. Google décrit ces balises comme contrôlant le style vocal, le rythme et l’interprétation. Utilisez-les aux endroits où la performance exige un changement précis et gardez le reste des formulations naturel à prononcer. La distinction utile de cette édition sépare les instructions générales de personnage ou de scène du 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 les travaux multilingues, fournissez le script dans sa langue finale et précisez l’accent et le style de parole souhaités dans les instructions. L’annonce de Google documente la prise en charge de plus de 70 langues. Lors de la préparation éditoriale, donnez aux noms récurrents une orthographe cohérente, développez les abréviations ambiguës lorsqu’une lecture particulière est requise et vérifiez les nombres dans le résultat parlé. Un libellé de langue ne détermine pas à lui seul la prononciation d’une marque ou d’un terme emprunté. Comparez les passages contenant ces termes à la lecture souhaitée avant d’accepter une longue narration.

La page exacte Gemini API du modèle indique une limite d’entrée de 8 192 tokens et une limite de sortie de 16 384 tokens pour ce modèle en preview. La fiche TTS native de DeepMind indique séparément une entrée textuelle allant jusqu’à 16K tokens et une sortie audio de 32K tokens ; ces chiffres de fiche sont distincts des limites de service Gemini API. Comptez les instructions d’interprétation dans l’entrée préparée au même titre que le script. L’allocation de sortie s’exprime en tokens audio et ne garantit donc pas une durée d’enregistrement particulière. Organisez une longue leçon ou une histoire en sections cohérentes, conservez les mêmes instructions 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 les informations de lecture ou de conteneur appropriées pour préparer un enregistrement modifiable ; ajouter un nom de fichier WAV ne crée pas d’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 porte un filigrane SynthID imperceptible. Ce filigrane concerne l’identification de l’audio généré et ne remplace pas un transcript, des étiquettes de locuteur ni une vérification à l’écoute.

La préparation 3.1 diffère sensiblement de la 3.8. Gemini 3.8 déplace les consignes d’interprétation qui s’appliquent dans la durée et l’identité du locuteur vers des métadonnées vocales structurées, utilise des balises d’événement ponctuel entre chevrons et adopte WAV comme format de sortie par défaut pour les requêtes terminées. Préservez un prompt 3.1 comme un prompt 3.1 plutôt que d’y mélanger cette structure de requête plus récente. Le tableau des modèles pris en charge de Google indique la synthèse à un ou plusieurs locuteurs pour 3.1, tandis que les réglages de voix conçues et de réplication vocale appartiennent aux entrées 3.8. L’édition Flash Live distincte gère l’entrée audio interactive ; cette édition TTS sert à la production préparée de texte en audio.

Vérifiez l’enregistrement par rapport au script écrit pour repérer les mots omis ou répétés, les noms, le rythme des tours et les changements émotionnels souhaités. Si une phrase exige une autre accentuation, révisez cette direction locale et examinez la transition concernée. Ce processus rend les instructions d’interprétation utiles : elles consignent 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.