Gemini 3.8 Flash Tts
A Google beszédmodellje kifejező felolvasáshoz, hangoskönyvekhez és párbeszédekhez, hangvezérléssel és 130 nyelv támogatásával.
A modellről
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
A Gemini 3.8 Flash TTS kifejező felolvasáshoz és hosszú elbeszéléshez szolgál. A Google a hangoskönyveket, a több beszélős párbeszédeket és a hang stabilitását emeli ki hosszú szakaszokon. A beszédvezérlés az érzelmes előadást, a ritmust és a kiejtést fogja át, regionális akcentusokkal és dialektusokkal együtt.
Hangok és nyelvek
A modellhez 130 nyelv van megadva, köztük az orosz. 30 kész hang, kibővített könyvtár, leírásból történő hangkarakter-készítés és hangminta alapján történő hangreprodukció érhető el. E képességekkel kiválasztható a konkrét anyaghoz illő hangszín és előadásmód.
A párbeszéd megszólalásai beszélőkhöz kapcsolódnak. Egy több beszélős kérés legfeljebb két kész hangot használhat. A leírás vagy minta alapján készített hangokkal a megszólalások külön kerülnek szintézisre; egy ilyen hang megléte nem teszi azt további kész hanggá a többhangos kérésen belül.
Szöveg és előadásvezérlés
A bemenet szöveg, a kimenet hang. A korlát 8 192 bemeneti token és 16 384 kimeneti token. A szöveg kimondandó megszólalásként értelmeződik; a stílusleírás és a kiválasztott beszélő külön adható meg. Így elválaszthatók az elhangzó szavak a felolvasás módjára vonatkozó utasításoktól.
A stílus az érzelmet, a tempót, a hangerőt és a prozódiát fogja át. Rövid események — nevetés, sóhaj, szünet — a megszólaláson belüli speciális hangcímkékkel adhatók meg. E címkék az előadást vezérlik, nem szokásos felolvasandó szavak.
Hangformátumok és képességek
Szokásos generáláskor alapértelmezés szerint WAV kerül visszaadásra. Streameléshez az alapértelmezett fejléc nélküli PCM. A kiinduló paraméterek: 24 kHz, egy csatorna és 16 bit. PCM, mu-law és A-law is rendelkezésre áll. A kontextusgyorsítótárazás és a kötegelt feldolgozás támogatott. A konkrét fájlformátum és az elérhető beállítások a választott beszédmetódustól függnek.
A modell beszédkészítésre specializálódott. Függvényhívás, kódfuttatás, fájlkeresés, keresési forrásokra alapozás, Google Maps, képgenerálás, strukturált szöveges válaszok, Thinking és webcímek tartalma nem támogatott. A stabil hang és a szabályozható kifejezőerő a modell megjelölt céljai, nem minden megszólalás tökéletes kiejtésének ígérete.
Ailoot · Felolvasás POST /v1/audio/speech gemini-3.8-flash-tts
gemini-3.8-flash-ttsKezdő lépések
A Google beszédmodellje kifejező felolvasáshoz, hangoskönyvekhez és párbeszédekhez, hangvezérléssel és 130 nyelv támogatásával.
- Elfogadott bemenetek
- Szöveg
- Eredmények
- Hang
Elérhető az Ailootban · bemenetek és metódusok
Ailoot · Felolvasás POST /v1/audio/speech
- Bemenet
text- Kimenet
audio- Kontextus
- 8192 tokens
- Maximális kimenet
- 16 384 tokens
- Kimeneti formátum
- natív hangbájtok vagy JSON-formátumú médiahivatkozások
| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok gemini-3.8-flash-tts | Alapértelmezett— |
Mezőinput | Típusstring | KövetelményKötelező | Értékek és korlátok Minimális hossz: 1 | Alapértelmezett— |
Mezővoice | Típusstring | KövetelményOpcionális | Értékek és korlátok Achernar, Achird, Algenib, Algieba, Alnilam, Aoede, Arlo, Autonoe, Bodi, Brio, Callirrhoe, Charon, Cleo, Cruz, Daro, Despina, Elio, Enceladus, Enya, Enzo, Erinome, Fenrir, Finn, Fola, Gacrux, Gero, Hali, Iapetus, Jett, Jori, Kira, Knox, Koda, Kore, Laomedeia, Leda, Lora, Ludo, Lumi, Mako, Milo, Neno, Nika, Nyla, Olin, Orus, Puck, Pulcherrima, Rami, Rasalgethi, Riko, Rina, Sadachbia, Sadaltager, Sami, Schedar, Sola, Sulafat, Tari, Tavi, Tova, Umbriel, Varo, Veda, Vindemiatrix, Zali, Zeno, Zephyr, Zubenelgenubi, Zuri | AlapértelmezettKore |
Mezőresponse_format | Típusstring | KövetelményOpcionális | Értékek és korlátok , wav, json | Alapértelmezett |
Mezőstream_format | Típusstring | KövetelményOpcionális | Értékek és korlátok audio | Alapértelmezett— |
Bemeneti anyagok kombinációi
text_to_speech · Kötelező: input
Metódus paraméterei és életciklusa
| Paraméter | Szerződés |
|---|---|
Paramétermaterial_types | Szerződéstext |
Paraméterrequired | Szerződésnull |
Paraméteroptional_controls | Szerződésnull |
Életciklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · A ténylegesen visszaadott task_id vagy a médiatár bejegyzése
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
A metódusok szerkezete és azonosítói pontosak; a beszállítói képesség különbözik a kérelmek befogadásától.
Díjcsomagok
Ailoot-metódusok díjai
POST /v1/audio/speech- Bemenet
- 0,0005 USD / 1K
- Kimenet
- 0,009 USD / 1K
- Gyorsítótár olvasása
- 0,000125 USD / 1K
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
Példakérések
Ailoot · Felolvasás
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "gemini-3.8-flash-tts", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.wav
Eredmények fogadása és mentése
Ailoot · Felolvasás
natív hangbájtok vagy JSON-formátumú médiahivatkozások
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Őrizzen meg minden elkészült eredményt
Őrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Egyetlen kimenet alapértelmezésben natív hangbájtokat ad tényleges Content-Type fejléccel; a response_format=json vagy több kimenet az összes saját hivatkozást adja vissza. Nincs kért MP3/Opus/AAC/FLAC/PCM átalakítás vagy SSE.
Ha az eredeti választ ellenőrizni kell
Őrizze meg az eredeti operation_id/X-Client-Request-ID értéket az egyeztetéshez, újbóli beküldés nélkül; nincs külön hangállapot-lekérdezési útvonal.
Válaszmezők
| Mező | Típus |
|---|---|
Mezőbinary native audio | Típusbytes |
Mezőmodel | Típusstring |
Mezőresponse_id | Típusstring |
Mezőactual_count | Típusinteger |
Meződata[] | Típusowned audio asset link |
Hibák és következő lépések
| Válasz | Feltétel | Következő lépés |
|---|---|---|
Válasz400 · invalid_request_error | FeltételÉrvénytelen kötelező mezők, az anyag érvénytelen reprezentációja vagy érvénytelen paraméterérték | Következő lépésJavítsa a jelzett mezőket egy új létrehozási kérés előtt. |
Válaszserver_error | FeltételA visszaadott válasz szerint a művelet vagy az eredmény ellenőrzést igényel | Következő lépésŐrizze meg az eredetileg visszaadott művelet- vagy feladatazonosítót, a kérés fejléceit és a választ; folytassa az eredeti művelet támogatott lekérdezéseit. Ne küldje be újra a létrehozási kérést. |
Álnevek
Modell álnevei
Ailoot gemini-3.8-flash-tts
Metódusútvonalak álnevei
Használja a fent látható metódusútvonalakat.
Kapcsolódó modellazonosítók
FAQ · Gemini 3.8 Flash Tts
- Milyen bemenetek és eredmények érhetők el?
POST /v1/audio/speech·gemini-3.8-flash-tts:text→audio- Mely mezőket használja a kérés?
POST /v1/audio/speech·gemini-3.8-flash-tts:model,input,voice,response_format,stream_format- Milyen korlátok érvényesek?
POST /v1/audio/speech·gemini-3.8-flash-tts:ctx:8192;max_out:16384