Google: Gemini 3.8 Flash Lite TTS

A Google Gemini 3.8 Flash-Lite TTS a Google 3.8 szövegfelolvasó családjának áteresztőképességre összpontosító tagja. Írott forgatókönyvet fogad, és beszédhangot állít elő. A Google felolvasási funkciókhoz, mindennapi egybeszélős narrációhoz, nagy volumenű hangelőállításhoz és hangágensrendszerek beszédkimeneti szakaszához pozicionálja. Hasznos eredmény lehet egy egységes hangon felolvasott cikk, szóbeli termékmagyarázat vagy rövid oktatófelvételek sorozata. A forgatókönyvnek már tartalmaznia kell azokat a szavakat, amelyeket a hallgatónak hallania kell.

A 3.8 család külön kezeli a szövegkönyvet az előadásmódra vonatkozó utasításoktól. A kimondandó szöveget őrizze meg szó szerint, a tartós érzelmet, tempót, hangerőt vagy előadásmódot pedig beszédmetaadatokban adja meg. Egy barátságos bevezetéshez, sürgető utasításhoz és halk lezáráshoz egyaránt tartozhat rövid stílusleírás a saját megszólalásukhoz csatolva. A szövegkönyvben szereplő olyan szöveg, mint a „Mondd vidáman”, maga is elhangozhat. A beszélőnevek a beszélői metaadatokba tartoznak, nem a hallható forgatókönyvben szereplő címkék közé. Ez az előkészítés különösen fontos a Gemini 3.1 Flash TTS-hez írt promptok újrahasználatakor.

Egy adott ponton történő rövid eseményekhez – levegővételhez, nevetéshez, köhögéshez, sóhajhoz vagy szünethez – használjon beágyazott, csúcsos zárójelű címkéket. Például az „A következő lépés egyszerű. <short pause> Válassza ki a kívánt nyelvet.” szövegkönyv a tervezett szünetet az érintett szavak mellett tartja. A tartós suttogó előadásmódot a stílusleírásba helyezze, ne ismétlődő eseménycímkékkel adja meg. A Google angol címkeneveket javasol más nyelvű forgatókönyvekhez is. Ezek a vezérlők a hangot irányítják; egy tapssáv vagy ajtócsapódás külön hangelőállítást igényel, nem hangadási eseménycímkét.

A Google ehhez a kiadáshoz 101 támogatott nyelvet sorol fel, köztük az angolt, oroszt, kínait, japánt, koreait, franciát, németet, spanyolt, indonézt és vietnámit. A kész forgatókönyvet a kívánt nyelven írja meg, a nevek, rövidítések és számok kívánt alakjával együtt. Szerkesztői előkészítésként bontson ki egy kétértelmű rövidítést vagy írja ki egy szám kívánt olvasatát, ha a hallgatónak egy meghatározott formát kell hallania. Hallgasson meg egy nehéz neveket és átmeneteket tartalmazó kezdő részletet, mielőtt egy hosszú felvételt késznek tekintene. A nyelvek száma nem teszi felcserélhetővé az összes regionális kiejtést.

A fejlesztő támogat előre kialakított hangokat, bővített hangkönyvtárat, megtervezett hangszemélyiségeket és hangmásolást. A hangazonosságot az ideiglenes színészi utasításoktól külön válassza ki. Ha a narrációnak következetesnek kell maradnia, ugyanazt az azonosságot és tömör előadásleírást használja a szakaszok között. A dokumentált kétbeszélős konfigurációban minden megszólaláshoz adjon kifejezett beszélőt, aki a két konfigurált, előre kialakított hang egyikével egyezik. A Google útmutatója a megtervezett vagy lemásolt hangokkal készülő többkarakteres jeleneteket az egyedi megszólalások generálásával kezeli. Ez a különbség akkor lényeges, ha egyetlen narrátor helyett párbeszédet tervez.

A szokásos befejezett kérésekhez a Google 3.8 útmutatója RIFF-fejlécű WAV-hangot határoz meg, amely 24 kHz-es, mono, 16 bites, előjeles little-endian PCM-et tartalmaz. Streaming konfigurációja ehelyett alapértelmezés szerint fejléc nélküli nyers PCM-részleteket ad vissza; az útmutató a nyers lineáris PCM, a mu-law és az A-law kódolási lehetőségeket is dokumentálja. A lejátszási vagy szerkesztési beállításokat igazítsa a tényleges kimeneti formátumhoz. A fejléc nélküli PCM-fájl WAV-kiterjesztésűre való átnevezése nem adja hozzá a konténerinformációt. Külön generált megszólalások összeállításakor tartsa egységesen a hangformátumot, és minden teljes WAV-ot saját fejléccel rendelkező fájlként kezeljen.

A konkrét modelloldal 8 192 bemeneti és 16 384 kimeneti tokenes Gemini API-korlátokat sorol fel. A hangtokenek nem fejeznek ki rögzített számú beszédmásodpercet. A hosszú anyagot értelmes szakaszokban készítse elő, ugyanazt a hang- és stílusfeladatleírást megtartva, és hallgassa meg az illesztéseket. Ezek a fejlesztő által ehhez a modellhez dokumentált kiszolgálási korlátok; más mennyiséget írnak le, mint egy általános katalógus kontextusmezője. A bemenet szöveg, a kimenet hang, így a forgatókönyv megírása, a fordítás és a beszédátírás külön előkészítő vagy követő feladat.

A Flash-Lite a Gemini 3.8 Flash TTS-szel közös 3.8 kérési szerkezetet használ. A gyakorlati választás a szükséges előadásmódon múlik: a Flash-Lite gyors, ismételt előállításra irányul, a Flash TTS pedig a nehéz kiejtés, árnyalt színészi játék és szélesebb nyelvjárási lefedettség kreatív szintje. Egy szokásos súgócikk és egy drámai, kétkarakteres jelenet különböző igényeket támaszt a hanggal szemben. Mielőtt a végső hallgatási élményben felhasználná, ellenőrizze a tényleges felvételt kihagyott vagy ismételt szavakra, kiejtésre, tempóra és a szegmensek közötti hallható változásokra.