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.
", "aboutText": "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.\n\nKezdje 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.\n\nA 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.\n\nRövid emberi hangadást vagy szünetet a megfelelő helyre, csúcsos zárójelű címkével helyezzen el. Egy önálló forgatókönyvpélda: „Azt hittem, elmentél.google/gemini-3.8-flash-ttsA Google Gemini 3.8 Flash TTS kifejező beszédet készít hangoskönyvekhez, stúdiónarrációhoz és karakterpárbeszédekhez. A szó szerinti forgatókönyvet külön beszélő- és színészi utasításokkal, pillanatnyi hangcímkékkel és 130 nyelvre kiterjedő lefedettséggel kapcsolja össze, a kiejtésre, regionális akcentusokra és a hang állandóságára összpontosítva.
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 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.
POST /v1/audio/speechtextaudio| Mező | Típus | Követelmény | Értékek és korlátok | Alapértelmezett |
|---|---|---|---|---|
Mezőmodel | Típusstring | KövetelményKötelező | Értékek és korlátok google/gemini-3.8-flash-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 $0.018 / 1K token |
Az Ailoot a kérés előtt becsült összeget foglal le. Az eredmény után a mért használat alapján elszámolja a végső díjat. Folyamatos átvitel esetén a végső használati rekordot használja. A foglalás és az elszámolás működése →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'google/gemini-3.8-flash-tts', 'input': '${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-tts
Használja a fent látható metódusútvonalakat.