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.
", "aboutText": "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.\n\nA 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.\n\nEgy adott ponton történő rövid eseményekhez – levegővételhez, nevetéshez, köhögéshez, sóhajhoz vagy szünethez – használjon beágyazott, csúcsos zárójelű címkéket. Például az „A következő lépés egyszerű.google/gemini-3.8-flash-lite-ttsA Google Gemini 3.8 Flash-Lite TTS pontos forgatókönyveket alakít beszéddé felolvasási funkciókhoz, szokásos narrációhoz és nagy mennyiségű beszédtartalomhoz. 101 nyelvet, választható hangokat és külön stílusmetaadatokkal vezérelhető előadásmódot támogat, rövid szünetekhez és hangadási eseményekhez használható beágyazott címkékkel.
Ez a leírás a modell képességeit ismerteti. Az Ailootban elérhető bemenetek, kimenetek és lehetőségek alább, a kiválasztott metódusnál láthatók.
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.
POST /v1/audio/speechtextaudio| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok google/gemini-3.8-flash-lite-tts | Alapértelmezett— |
Mezőinput | Típusstring | KövetelményKötelező | Értékek és korlátok Minimális hossz: 1 | Alapértelmezett— |
Mezővoice | Típusstring | KövetelményKötelező | Értékek és korlátok Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callirrhoe, Autonoe, Enceladus, Iapetus, Umbriel, Algieba, Despina, Erinome, Algenib, Rasalgethi, Laomedeia, Achernar, Alnilam, Schedar, Gacrux, Pulcherrima, Achird, Zubenelgenubi, Vindemiatrix, Sadachbia, Sadaltager, Sulafat Minimális hossz: 1 | Alapértelmezett— |
Mezőresponse_format | Típusstring | KövetelményOpcionális | Értékek és korlátok mp3, pcm | Alapértelmezettpcm |
Mezőprovider | Típusobject | KövetelményOpcionális | Értékek és korlátok | Alapértelmezett— |
| Paraméter | Szerződés |
|---|---|
Paramétercontent_type | Szerződésapplication/json |
Paraméterrequired | Szerződésmodel, input, voice |
Paramétermaterial_types | Szerződéstext |
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 díjszabás nem ad új kérési lehetőségeket. A támogatott paraméterek a kiválasztott módszernél szerepelnek.
Minden díjat a megjelenített feltételekhez rendeljen. Az alternatív beállítások minden csoportjához egy díjtételt használjon.
| Beállítás | Díjtáblázat | Elszámolási egység | Díj |
|---|---|---|---|
| BeállításTokenek alapdíjai | DíjtáblázatAlapdíj | Elszámolási egység— | Díj Bemenet · Bemeneti tokenek — / 1K token Kimenet · Kimeneti tokenek — / 1K token Bemenet · Gyorsítótár olvasása — / 1K token Bemenet · Írás a gyorsítótárba — / 1K token Bemenet · Írás a gyorsítótárba, 1 óra — / 1K token |
| Beállításbemeneti token | Díjtáblázat— | Elszámolási egység/ 1K token | Díj Bemenet $0.001 / 1K token |
| Beállításkimeneti token | Díjtáblázat— | Elszámolási egység/ 1K token | Díj Kimenet $0.012 / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'google/gemini-3.8-flash-lite-tts', 'input': '${ACTUAL_INPUT_TEXT}', 'voice': 'Zephyr'}\nrequest['input']=os.environ['AILOOT_INPUT_TEXT']\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nTeljes bináris hang vagy eredeti audio_url válasz, fejlécek és minden saját médiaállomány.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nŐrizzen meg minden teljes visszaadott választ, fájlt és tartalomrészt.
Őrizze meg a teljes választ és a fejléceket, minden tényleges kimenetet, az eredetileg visszaadott azonosítókat és az összes használati adatmezőt. Az eredeti műveletet állítsa helyre, a létrehozási kérés újbóli beküldése nélkül.
Őrizze meg a visszaadott X-Client-Request-ID értéket az egyeztetéshez. Csak a ténylegesen visszaadott task_id/asset_id értékekkel kérdezzen le, vagy használja a saját médiatárat; soha ne állítson össze feladat-URL-t a műveletazonosítóból, és soha ne küldje be újra a létrehozási kérést.
Ailoot Ultra google/gemini-3.8-flash-lite-tts
Használja a fent látható metódusútvonalakat.