Google: Gemini 3.8 Flash Lite TTS

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

La famille 3.8 sépare le transcript des instructions de performance. Conservez le texte parlé mot pour mot et placez l’émotion soutenue, le rythme, le volume ou le style d’interprétation dans les métadonnées vocales. Une introduction chaleureuse, une instruction urgente et une conclusion calme peuvent chacune recevoir une brève description de style associée à leur propre tour. Un texte tel que « Dis-le joyeusement » dans le transcript peut lui-même être prononcé. Les noms de locuteurs relèvent des métadonnées de locuteur plutôt que de libellés dans le script audible. Cette préparation est particulièrement importante lors de la réutilisation de prompts écrits pour Gemini 3.1 Flash TTS.

Utilisez des balises intégrées entre chevrons pour de brefs événements à un point précis : une respiration, un rire, une toux, un soupir ou une pause. Par exemple, le transcript « L’étape suivante est simple. <short pause> Choisissez votre langue préférée. » place la pause souhaitée à côté des mots qu’elle concerne. Placez une interprétation chuchotée soutenue dans la description de style plutôt que de multiplier les balises d’événement. Google recommande des noms de balises en anglais même pour les scripts dans d’autres langues. Ces réglages dirigent la voix ; une piste d’applaudissements ou un claquement de porte nécessitent une production sonore séparée plutôt qu’une balise d’événement vocal.

Google indique 101 langues prises en charge pour cette édition, dont l’anglais, le russe, le chinois, le japonais, le coréen, le français, l’allemand, l’espagnol, l’indonésien et le vietnamien. Écrivez le script final dans la langue prévue, avec la forme souhaitée des noms, des abréviations et des nombres. Lors de la préparation éditoriale, développez une abréviation ambiguë ou écrivez la lecture souhaitée 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 réplication vocale. Sélectionnez l’identité vocale séparément des instructions de jeu temporaires. Réutilisez cette identité et une description d’interprétation concise 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 répliquées en générant les tours individuellement. Cette distinction compte lorsqu’on prévoit un dialogue plutôt qu’un narrateur unique.

Pour les requêtes ordinaires terminées, le guide 3.8 de Google spécifie un audio WAV avec un en-tête RIFF, contenant du PCM signé 16 bits little-endian, mono, à 24 kHz. Sa configuration de streaming renvoie au contraire 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. Adaptez les réglages de lecture ou de montage au format de sortie réel. Renommer du PCM sans en-tête avec une extension WAV n’ajoute pas les informations du conteneur. Lors de l’assemblage de tours générés séparément, conservez un format audio cohérent et traitez chaque WAV complet comme un fichier possédant son propre en-tête.

La page exacte du modèle indique des limites Gemini API de 8 192 tokens d’entrée et 16 384 tokens de sortie. Les tokens audio n’expriment pas un nombre fixe de secondes de parole. Préparez les contenus longs en sections pertinentes, en conservant la même voix et les mêmes instructions de style, puis écoutez les raccords. Ce sont les limites de service documentées du fabricant pour ce modèle ; elles décrivent une quantité différente d’un champ de contexte générique du catalogue. Le texte est l’entrée et l’audio la sortie : la rédaction de script, la traduction et la transcription constituent donc des tâches de préparation ou de suivi distinctes.

Flash-Lite partage la structure de requête 3.8 avec Gemini 3.8 Flash TTS. Le choix pratique concerne la performance requise : Flash-Lite vise une production rapide et répétée, tandis que Flash TTS est le niveau créatif pour les prononciations difficiles, le jeu nuancé et une couverture dialectale plus large. Un article d’aide courant et une scène dramatique à deux personnages imposent des exigences différentes à la voix. Vérifiez l’enregistrement réel pour repérer 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.