Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview adalah edisi text-to-speech dari keluarga Gemini 3.1 Flash Audio. Model ini menerima teks dan menghasilkan audio ucapan dengan ekspresi yang diarahkan melalui prompt. Google menggambarkan generasi ini sebagai peningkatan kealamian ucapan, kemampuan pengendalian, dan kinerja multibahasa, dengan dukungan bawaan untuk dialog multipembicara serta lebih dari 70 bahasa. Penggunaan praktisnya mencakup pelajaran singkat bernarasi, percakapan karakter, atau bagian ucapan yang penyampaiannya sama pentingnya dengan kata-katanya.

Siapkan naskah yang telah selesai dan arahan penampilan suara. Generasi ini menggunakan instruksi bahasa alami di dalam masukan teks untuk memandu gaya vokal, tempo, dan penyampaian. Rilis Google memperkenalkan arahan adegan untuk menetapkan situasi, Audio Profiles pembicara untuk mendefinisikan karakter, serta Director’s Notes untuk memandu tempo, nada, dan aksen. Jaga agar bagian-bagian tersebut dapat diidentifikasi ketika menyiapkan prompt, sehingga kata-kata yang dimaksud dan instruksi penampilan dapat ditinjau secara terpisah. Arahan yang hemat lebih mudah direvisi daripada beberapa deskripsi suara yang saling bersaing.

Misalnya, contoh arahan latihan dapat menggambarkan narator tenang yang menjelaskan sebuah pameran museum, dengan frasa yang terukur dan nada lebih hangat pada kalimat terakhir. Naskah yang menyertainya harus memuat nama-nama sebenarnya dari pameran tersebut dan kata-kata persis yang perlu diucapkan. Untuk dialog, berikan profil karakter yang berbeda dan urutan giliran bicara yang jelas. Gunakan konteks adegan untuk menjelaskan apakah satu pembicara sedang menenangkan pembicara lain, mengajukan pertanyaan sungguhan, atau merespons dengan keterkejutan yang tertahan. Artefak yang dihasilkan untuk dinilai adalah penampilan naskah tersebut yang terdengar.

Tag audio inline menambahkan kontrol lokal di dalam teks, sehingga ekspresi pembicara dapat berubah dalam satu kalimat, bukan sepenuhnya bergantung pada arahan pembuka. Google menjelaskan bahwa tag mengendalikan gaya vokal, tempo, dan penyampaian. Gunakan tag ketika penampilan memerlukan pergeseran tertentu dan biarkan bagian kata-kata lainnya tetap alami untuk diucapkan. Perbedaan yang berguna dalam edisi ini adalah antara arahan karakter atau adegan tingkat tinggi dan perubahan lokal dalam penyampaian. Bagian netral singkat dapat menetapkan suara dasar sebelum naskah menambahkan arahan emosional yang lebih banyak.

Untuk pekerjaan multibahasa, berikan naskah dalam bahasa akhir dan nyatakan aksen serta gaya bicara yang diinginkan dalam arahan. Pengumuman Google mendokumentasikan dukungan untuk lebih dari 70 bahasa. Sebagai persiapan editorial praktis, gunakan satu ejaan konsisten untuk nama yang berulang, uraikan singkatan ambigu ketika satu cara baca diwajibkan, dan periksa angka dalam hasil ucapan. Label bahasa saja tidak menentukan bagaimana nama merek atau istilah serapan harus terdengar. Bandingkan bagian yang memuat istilah tersebut dengan pembacaan yang dimaksud sebelum menerima narasi panjang.

Halaman model Gemini API khususnya mencantumkan batas masukan 8,192 token dan batas keluaran 16,384 token untuk model pratinjau ini. Kartu model TTS asli DeepMind secara terpisah mencantumkan masukan teks hingga 16K token dan keluaran audio 32K token; angka kartu model tersebut berbeda dari batas penyajian Gemini API. Hitung arahan penampilan sebagai bagian dari masukan yang disiapkan bersama naskah. Alokasi keluaran dinyatakan dalam token audio, sehingga tidak menjamin durasi rekaman tertentu. Susun pelajaran atau cerita panjang menjadi bagian yang koheren, pertahankan arahan karakter yang sama, dan dengarkan sambungannya. Untuk dialog bernaskah, periksa atribusi dan urutan giliran selain kata-kata yang diucapkan serta penyampaian emosional.

Dokumentasi migrasi Google mengidentifikasi keluaran bawaan 3.1 sebagai PCM mentah tanpa header dengan tipe audio/l16. Byte audio memerlukan informasi pemutaran atau kontainer yang sesuai saat menyiapkan rekaman yang dapat disunting; menambahkan nama berkas WAV saja tidak membuat header WAV. Periksa format yang benar-benar dikembalikan sebelum mengimpor hasilnya. Google juga menyatakan bahwa audio yang dihasilkan Gemini 3.1 Flash TTS membawa watermark SynthID yang tidak dapat didengar. Watermark berkaitan dengan identifikasi audio yang dihasilkan dan tidak menggantikan transkrip, label pembicara, atau peninjauan dengan mendengarkan.

Gaya persiapan 3.1 berbeda secara berarti dari 3.8. Gemini 3.8 memindahkan arahan berkelanjutan dan identitas pembicara ke metadata ucapan terstruktur, menggunakan tag peristiwa sesaat dengan kurung sudut, dan mengubah keluaran bawaan permintaan yang selesai menjadi WAV. Pertahankan prompt 3.1 sebagai prompt 3.1, alih-alih mencampurkan struktur permintaan yang lebih baru tersebut. Tabel model yang didukung Google mencantumkan sintesis satu dan beberapa pembicara untuk 3.1, sedangkan kontrol suara hasil desain dan replikasi suara berada pada entri 3.8. Edisi Flash Live yang terpisah menangani masukan audio interaktif; edisi TTS ini melayani produksi audio dari teks yang telah disiapkan.

Tinjau rekaman terhadap naskah tertulis untuk menemukan kata yang hilang atau berulang, nama, waktu pergantian giliran, dan perubahan emosi yang dimaksud. Jika satu kalimat memerlukan penekanan berbeda, revisi arahan lokal tersebut dan periksa transisi yang terpengaruh. Alur ini membuat arahan penampilan berguna: arahan merekam apa yang harus tetap stabil tentang pembicara dan apa yang harus berubah dalam bagian tersebut, sedangkan naskah mempertahankan konten yang perlu didengar audiens.