Google: Gemini 3.8 Flash TTS

A Google Gemini 3.8 Flash TTS a Google 3.8 szövegfelolvasó családjának kreatív hangelőadásra szánt tagja. Az akusztikai hűségre, az érzelmi tartományra, a regionális akcentusokra és a karakterhang folytonosságára helyezi a hangsúlyt hosszabb párbeszédek során. A Google hangoskönyveket, stúdiónarrációt, nehéz kiejtést és jelentős hangszínészi játékot tartalmazó jeleneteket emel ki. A kimenet előkészített szöveges forgatókönyvből származó beszédhang, amely alkalmas egy narrátor előadásának értékelésére vagy egy megírt beszélgetés más produkciós elemek mellé rendezésére.

Kezdje a pontosan hallatni kívánt szavakkal. A 3.8 a szövegkönyvet szó szerint kezeli, míg a beszélő és a tartós előadásmód külön beszédmetaadatokba tartozik. Adjon minden megszólaláshoz egyértelmű beszélőazonosítást, és ahol hasznos, rövid stílusutasítást, például visszafogott aggodalmat vagy derűs kíváncsiságot. Egy szövegsort bontson külön megszólalásokra, ha az érzelem vagy a tempó jelentősen változik. Így a feladatleírás könnyebben ellenőrizhető: a szövegkönyv tartalmazza a párbeszédet, a csatolt utasítás pedig leírja, hogyan kell az adott részt előadni. A szövegkönyvben elhelyezett szokásos írott utasítások felolvasásra kerülhetnek.

A Google 3.8 hangrendszere előre kialakított hangokat, bővített hangkönyvtárat, megtervezett személyiségeket és lemásolt hangazonosságokat tartalmaz. Az ideiglenes színészi változtatások alkalmazása előtt válassza ki az alapul szolgáló személyiséget. A tartós regionális akcentus vagy karakterazonosság a kiválasztott hanghoz tartozik; a style mező az aktuális előadásmódot vezérli. A fejlesztő e hang rövid utasításokkal történő újrahasználatát javasolja hosszú Audio Profile vagy Director’s Notes blokkok ismétlése helyett. A dokumentált, egykéréses párbeszéd-konfiguráció legfeljebb két előre kialakított beszélőt egyesít. Megtervezett vagy lemásolt karakterek esetén az útmutató többkarakteres párbeszéd összeállításakor egyedi megszólalások generálását írja elő.

Rövid emberi hangadást vagy szünetet a megfelelő helyre, csúcsos zárójelű címkével helyezzen el. Egy önálló forgatókönyvpélda: „Azt hittem, elmentél. <short pause> <sigh> Égve hagytam a lámpát.” A visszafogott előadásmódot az egész megszólaláshoz csatolja, ne a kimondandó szavak közé tegye ezt az utasítást. Az írásjelek és a nagybetűzés segíthetnek egy habozás megformálásában vagy egy szó hangsúlyozásában. A Google függőleges vonallal elválasztott hallgatói reakciókat is dokumentál visszajelző közbeszólásokhoz és átfedő párbeszédhez, és az erősebb átfedéshez a Flash TTS-t nevezi meg előnyben részesített 3.8 kiadásként. Ezek a reakciók legyenek elég rövidek ahhoz, hogy a hallgató továbbra is értse a fő mondatot.

A fejlesztő 130 támogatott nyelvet sorol fel a Flash TTS-hez, és hangsúlyozza a regionális és kisebbségi nyelvjárások lefedettségét. Regionális előadásmódra vonatkozó feladatleírás hasznos lehet egy lokalizált hangoskönyv-karakterhez vagy olyan narrációhoz, amelynek akcentusa fontos a közönségnek. A forgatókönyvet a végleges nyelven készítse elő, következetes írásmóddal a visszatérő neveknél, valamint a rövidítések és számok tudatosan megválasztott felolvasásával. Szerkesztői lépésként a visszahallgatásos ellenőrzést a nehéz neveket, nyelvjárásváltásokat vagy érzelmi átmeneteket tartalmazó részekkel kezdje. A kívánt akcentust és tempót a generált hangban kell értékelni, nem pusztán a nyelvi címkéből feltételezni.

A 3.8 kimeneti útmutató megkülönbözteti a teljes fájlokat a streamelt hangtól. A befejezett kérés alapértelmezett kimenete RIFF-fejlécű WAV-fájl: 24 kHz, mono, előjeles 16 bites little-endian PCM. A streaming alapértelmezése fejléc nélküli nyers lineáris PCM, azonos mintajellemzőkkel. A nyers lineáris PCM, a mu-law és az A-law szintén dokumentált kódolási lehetőség. Lejátszás előkészítésekor vagy az eredmény szerkesztőbe importálásakor a tényleges kódolási információt használja. Külön párbeszédfájlok sorozatánál tartsa egységesen a formátumokat, és ellenőrizze az illesztéseknél a hangerő, tempó vagy háttérzaj hirtelen változásait.

A Google konkrét modelloldala 8 192 bemeneti és 16 384 kimeneti tokenes Gemini API-kiszolgálási korlátokat ad meg. Ezek tokenkorlátok, nem rögzített hangoskönyv-időtartam vagy a beszéd másodperceinek pontos száma. A hosszú forgatókönyveket értelmes határok mentén bontsa fel, és őrizze meg a kiválasztott hangazonosságot a szakaszok között. Fejezethosszúságú produkciónál hallgassa meg a folytonosságot a bekezdés- és jelenetváltásoknál, valamint a szavak pontosságát minden szegmensen belül. A jó gyakorlati ellenőrzés rögzíti, mely mondatoknál kell kiejtési vagy színészi módosítás, ahelyett hogy minden felvétel után átírná a teljes hangfeladatleírást.

A Flash TTS és a Flash-Lite TTS közös 3.8 előkészítési szerkezetet használ, így a kiadásválasztás igazodhat a munka igényeihez. A Flash TTS a színészi játékot, az összetett párbeszédet, a nehéz kiejtést és a szélesebb nyelvjárási lefedettséget hangsúlyozza; a Flash-Lite a szokásos beszédtartalmak nagy áteresztőképességét. A kifejező vezérlők emberi beszédre és hangadási eseményekre vonatkoznak. A háttéreffektek, a zene és a kész produkciós hangkeverés külön anyagként tervezhetők. A forgatókönyvírás, a fordítás és a felvett beszéd felismerése továbbra is e szöveg–hang modell körüli külön szakaszok.