Google: Gemini 3.1 Flash TTS Preview

A Google Gemini 3.1 Flash TTS Preview a Gemini 3.1 Flash Audio család szövegfelolvasó kiadása. Szöveget fogad, és prompttal irányított kifejezésmódú beszédhangot állít elő. A Google ezt a generációt a beszéd természetessége, vezérelhetősége és többnyelvű teljesítménye terén előrelépésként írja le, natív többbeszélős párbeszéddel és több mint 70 nyelvvel. Gyakorlati felhasználás egy rövid narrált lecke, karakterek közötti párbeszéd vagy olyan elmondott szövegrész, amelynél az előadásmód legalább annyira fontos, mint a megfogalmazás.

Készítsen elő végleges forgatókönyvet és előadásmódra vonatkozó feladatleírást. Ez a generáció a szöveges bemeneten belüli természetes nyelvű utasításokkal irányítja a hang stílusát, tempóját és előadását. A Google kiadása jelenetrendezési utasítást vezet be a helyzet meghatározására, beszélői Audio Profiles leírásokat a karakterek kialakítására és Director’s Notes utasításokat a tempó, hangszín és akcentus irányítására. A prompt előkészítésekor e részek legyenek azonosíthatók, hogy a kívánt szavak és az előadási utasítások egymástól függetlenül ellenőrizhetők legyenek. Egy tömör feladatleírás könnyebben módosítható, mint ugyanannak a hangnak több versengő leírása.

Például egy önálló próbafeladat leírhat nyugodt narrátort, aki kimért beszédmóddal magyaráz egy múzeumi kiállítási tárgyat, az utolsó mondatban melegebb hangszínnel. A kísérő forgatókönyv tartalmazza a kiállítási tárgy tényleges neveit és a pontosan megszólaltatandó szöveget. Párbeszédhez adjon a karaktereknek eltérő profilokat és egyértelmű megszólalási sorrendet. A jelenet kontextusával magyarázza el, hogy az egyik beszélő megnyugtatja-e a másikat, valódi kérdést tesz-e fel vagy visszafogott meglepetéssel reagál-e. Az értékelendő generált eredmény e forgatókönyv hallható előadása.

A beágyazott hangcímkék helyi vezérlést adnak a szövegen belül, lehetővé téve, hogy a beszélő kifejezésmódja egy mondaton belül változzon, ne teljes egészében a kezdő utasításra támaszkodjon. A Google a címkéket a hangstílus, tempó és előadásmód vezérlőiként írja le. Ott használja őket, ahol az előadásnak meghatározott váltásra van szüksége, a szöveg többi része pedig maradjon természetesen kimondható. E kiadásban a hasznos különbség a magas szintű karakter- vagy jelenetleírás és a helyi előadásmód-váltás között van. Egy rövid, semleges szövegrész meghatározhatja az alaphangot, mielőtt a forgatókönyv több érzelmi utasítást ad hozzá.

Többnyelvű munkához a végleges nyelvű forgatókönyvet adja meg, és a feladatleírásban határozza meg a kívánt akcentust és beszédstílust. A Google bejelentése több mint 70 nyelv támogatását dokumentálja. Gyakorlati szerkesztői előkészítésként a visszatérő neveknek adjon egységes írásmódot, bontsa ki a kétértelmű rövidítéseket, ha egyetlen olvasat szükséges, és ellenőrizze a számokat a beszédben. Egy nyelvi címke önmagában nem dönti el, hogyan hangozzon egy márkanév vagy kölcsönszó. Hosszú narráció elfogadása előtt vesse össze az ilyen kifejezéseket tartalmazó részeket a kívánt olvasattal.

A konkrét Gemini API-modelloldal ehhez az előzetes modellhez 8 192 tokenes bemeneti és 16 384 tokenes kimeneti korlátot sorol fel. A DeepMind natív TTS-modellkártyája külön legfeljebb 16K tokenes szövegbemenetet és 32K tokenes hangkimenetet ad meg; ezek a modellkártyaértékek különböznek a Gemini API-kiszolgálási korlátoktól. A forgatókönyv mellett az előadási utasításokat is az előkészített bemenet részeként számolja. A kimeneti keret hangtokenekben van megadva, ezért nem garantál meghatározott felvételi időtartamot. Hosszú leckét vagy történetet rendezzen összefüggő szakaszokba, őrizze meg ugyanazt a karakterleírást, és hallgassa meg az illesztéseket. Megírt párbeszédnél a kimondott szavakon és érzelmi előadáson túl a beszélő-hozzárendelést és a megszólalási sorrendet is ellenőrizze.

A Google migrációs dokumentációja a 3.1 alapértelmezett kimenetét fejléc nélküli nyers PCM-ként azonosítja audio/l16 típussal. Szerkeszthető felvétel előkészítésekor a hangbájtokhoz megfelelő lejátszási vagy konténerinformáció kell; önmagában a WAV-fájlnév hozzáadása nem hoz létre WAV-fejlécet. Importálás előtt ellenőrizze a ténylegesen visszakapott formátumot. A Google azt is állítja, hogy a Gemini 3.1 Flash TTS által generált hang észrevehetetlen SynthID-vízjelet hordoz. A vízjel a generált hang azonosítására szolgál, és nem helyettesíti az átiratot, a beszélőcímkéket vagy a visszahallgatásos ellenőrzést.

A 3.1 előkészítési stílusa lényegesen eltér a 3.8-étól. A Gemini 3.8 a tartós utasításokat és beszélőazonosságot strukturált beszédmetaadatokba helyezi, csúcsos zárójelű, adott pontra vonatkozó eseménycímkéket használ, és a befejezett kérések alapértelmezését WAV-ra változtatja. A 3.1 promptot 3.1 promptként őrizze meg, ne keverje bele az újabb kérési szerkezetet. A Google támogatott modelleket felsoroló táblázata a 3.1-hez egy- és többbeszélős szintézist sorol fel, míg az egyedileg megtervezett hangok és hangmásolás vezérlői a 3.8 bejegyzéseihez tartoznak. A külön Flash Live kiadás interaktív hangbemenetet kezel; ez a TTS kiadás előkészített szöveg–hang előállításra szolgál.

Ellenőrizze a felvételt az írott forgatókönyv alapján kihagyott vagy ismételt szavakra, nevekre, megszólalási időzítésre és a kívánt érzelmi változásokra. Ha egy mondat más hangsúlyt igényel, módosítsa a helyi utasítást, és vizsgálja meg az érintett átmenetet. Ez a munkafolyamat teszi hasznossá az előadásleírást: rögzíti, minek kell állandónak maradnia a beszélőnél és minek kell változnia az adott részben, miközben a forgatókönyv megőrzi a közönség által hallandó tartalmat.