Google Gemini 3.1 Flash TTS Preview è l'edizione text-to-speech della famiglia Gemini 3.1 Flash Audio. Accetta testo e produce audio parlato con espressività guidata dal prompt. Google descrive questa generazione come un miglioramento nella naturalezza del parlato, nella controllabilità e nelle prestazioni multilingue, con dialoghi nativi a più parlanti e oltre 70 lingue. Un impiego pratico è una breve lezione narrata, uno scambio tra personaggi o un brano parlato la cui interpretazione conta quanto le parole.
Prepara un copione definitivo e un brief di interpretazione. Questa generazione usa istruzioni in linguaggio naturale all'interno dell'input testuale per guidare stile vocale, ritmo e lettura. La versione di Google introduce indicazioni di scena per stabilire la situazione, Audio Profiles dei parlanti per definire i personaggi e Director's Notes per guidare ritmo, tono e accento. Mantieni identificabili queste parti nella preparazione del prompt, affinché le parole previste e le istruzioni di interpretazione possano essere controllate indipendentemente. Un brief essenziale è più facile da rivedere di diverse descrizioni concorrenti della stessa voce.
Per esempio, un brief originale di prova può descrivere un narratore calmo che spiega un'esposizione museale, con frasi scandite e un tono più caldo nell'ultima frase. Il copione associato dovrebbe contenere i nomi effettivi dell'esposizione e la formulazione precisa da pronunciare. Per un dialogo, assegna ai personaggi profili distinti e una sequenza chiara di turni. Usa il contesto della scena per spiegare se un parlante sta rassicurando l'altro, ponendo una domanda sincera o rispondendo con sorpresa contenuta. Il risultato generato da valutare è l'interpretazione udibile di quel copione.
I tag audio inline aggiungono controllo locale all'interno del testo, permettendo all'espressione di un parlante di cambiare entro una frase, anziché dipendere interamente dall'indicazione iniziale. Google descrive i tag come controlli di stile vocale, ritmo e interpretazione. Usali dove l'interpretazione richiede un cambiamento specifico e mantieni naturale da pronunciare il resto delle parole. La distinzione utile in questa edizione è tra il brief generale del personaggio o della scena e il cambiamento locale nell'interpretazione. Un breve brano neutro può stabilire la voce di base prima che il copione aggiunga indicazioni emotive più marcate.
Per il lavoro multilingue, fornisci il copione nella lingua definitiva e dichiara nel brief l'accento e lo stile di parlato desiderati. L'annuncio di Google documenta il supporto di oltre 70 lingue. Come preparazione editoriale pratica, assegna ai nomi ricorrenti una grafia coerente, esplicita le abbreviazioni ambigue quando è richiesta una sola lettura e controlla i numeri nel risultato parlato. La sola etichetta della lingua non determina come debba suonare un marchio o un termine preso in prestito. Confronta i brani contenenti tali termini con la lettura prevista prima di accettare una narrazione lunga.
La pagina dell'esatto modello Gemini API elenca un limite di input di 8,192 token e un limite di output di 16,384 token per questo modello in anteprima. La scheda nativa del modello TTS di DeepMind elenca separatamente input testuale fino a 16K token e output audio di 32K token; questi valori della scheda del modello sono distinti dai limiti di erogazione di Gemini API. Conteggia le indicazioni di interpretazione come parte dell'input preparato, oltre al copione. La capacità di output è espressa in token audio, quindi non garantisce una durata specifica della registrazione. Organizza una lezione o una storia lunga in sezioni coerenti, conserva lo stesso brief del personaggio e ascolta le giunzioni. Per dialoghi sceneggiati, controlla attribuzione e ordine dei turni oltre alle parole pronunciate e all'interpretazione emotiva.
La documentazione di migrazione di Google identifica l'output predefinito 3.1 come PCM raw senza intestazione con tipo audio/l16. I byte audio necessitano delle informazioni appropriate di riproduzione o contenitore quando si prepara una registrazione modificabile; aggiungere soltanto un nome di file WAV non crea un'intestazione WAV. Controlla il formato effettivamente restituito prima di importare il risultato. Google dichiara inoltre che l'audio generato da Gemini 3.1 Flash TTS porta una filigrana SynthID impercettibile. La filigrana riguarda l'identificazione dell'audio generato e non sostituisce una trascrizione, etichette dei parlanti o una verifica all'ascolto.
Lo stile di preparazione 3.1 differisce sostanzialmente da 3.8. Gemini 3.8 sposta le indicazioni continuative e l'identità del parlante in metadati strutturati del parlato, usa tag tra parentesi angolari per eventi puntuali e cambia il formato predefinito delle richieste completate in WAV. Conserva un prompt 3.1 come prompt 3.1, anziché mescolarvi la struttura più recente delle richieste. La tabella dei modelli supportati di Google elenca sintesi a uno e più parlanti per 3.1, mentre i controlli di voci progettate e replicazione vocale appartengono alle voci 3.8. L'edizione separata Flash Live gestisce input audio interattivo; questa edizione TTS serve alla produzione da testo preparato ad audio.
Controlla la registrazione rispetto al copione scritto per parole omesse o ripetute, nomi, tempi dei turni e cambiamenti emotivi previsti. Se una frase necessita di un'enfasi diversa, rivedi quell'indicazione locale ed esamina la transizione interessata. Questo flusso rende utile il brief di interpretazione: registra ciò che dovrebbe rimanere stabile nel parlante e ciò che dovrebbe cambiare in quel brano, mentre il copione conserva i contenuti che il pubblico deve ascoltare.
", "aboutText": "Google Gemini 3.1 Flash TTS Preview è l'edizione text-to-speech della famiglia Gemini 3.1 Flash Audio. Accetta testo e produce audio parlato con espressività guidata dal prompt. Google descrive questa generazione come un miglioramento nella naturalezza del parlato, nella controllabilità e nelle prestazioni multilingue, con dialoghi nativi a più parlanti e oltre 70 lingue. Un impiego pratico è una breve lezione narrata, uno scambio tra personaggi o un brano parlato la cui interpretazione conta quanto le parole.\n\nPrepara un copione definitivo e un brief di interpretazione. Questa generazione usa istruzioni in linguaggio naturale all'interno dell'input testuale per guidare stile vocale, ritmo e lettura. La versione di Google introduce indicazioni di scena per stabilire la situazione, Audio Profiles dei parlanti per definire i personaggi e Director's Notes per guidare ritmo, tono e accento. Mantieni identificabili queste parti nella preparazione del prompt, affinché le parole previste e le istruzioni di interpretazione possano essere controllate indipendentemente. Un brief essenziale è più facile da rivedere di diverse descrizioni concorrenti della stessa voce.\n\nPer esempio, un brief originale di prova può descrivere un narratore calmo che spiega un'esposizione museale, con frasi scandite e un tono più caldo nell'ultima frase. Il copione associato dovrebbe contenere i nomi effettivi dell'esposizione e la formulazione precisa da pronunciare. Per un dialogo, assegna ai personaggi profili distinti e una sequenza chiara di turni. Usa il contesto della scena per spiegare se un parlante sta rassicurando l'altro, ponendo una domanda sincera o rispondendo con sorpresa contenuta. Il risultato generato da valutare è l'interpretazione udibile di quel copione.\n\nI tag audio inline aggiungono controllo locale all'interno del testo, permettendo all'espressione di un parlante di cambiare entro una frase, anziché dipendere interamente dall'indicazione iniziale. Google descrive i tag come controlli di stile vocale, ritmo e interpretazione. Usali dove l'interpretazione richiede un cambiamento specifico e mantieni naturale da pronunciare il resto delle parole. La distinzione utile in questa edizione è tra il brief generale del personaggio o della scena e il cambiamento locale nell'interpretazione. Un breve brano neutro può stabilire la voce di base prima che il copione aggiunga indicazioni emotive più marcate.\n\nPer il lavoro multilingue, fornisci il copione nella lingua definitiva e dichiara nel brief l'accento e lo stile di parlato desiderati. L'annuncio di Google documenta il supporto di oltre 70 lingue. Come preparazione editoriale pratica, assegna ai nomi ricorrenti una grafia coerente, esplicita le abbreviazioni ambigue quando è richiesta una sola lettura e controlla i numeri nel risultato parlato. La sola etichetta della lingua non determina come debba suonare un marchio o un termine preso in prestito. Confronta i brani contenenti tali termini con la lettura prevista prima di accettare una narrazione lunga.\n\nLa pagina dell'esatto modello Gemini API elenca un limite di input di 8,192 token e un limite di output di 16,384 token per questo modello in anteprima. La scheda nativa del modello TTS di DeepMind elenca separatamente input testuale fino a 16K token e output audio di 32K token; questi valori della scheda del modello sono distinti dai limiti di erogazione di Gemini API. Conteggia le indicazioni di interpretazione come parte dell'input preparato, oltre al copione. La capacità di output è espressa in token audio, quindi non garantisce una durata specifica della registrazione. Organizza una lezione o una storia lunga in sezioni coerenti, conserva lo stesso brief del personaggio e ascolta le giunzioni. Per dialoghi sceneggiati, controlla attribuzione e ordine dei turni oltre alle parole pronunciate e all'interpretazione emotiva.\n\nLa documentazione di migrazione di Google identifica l'output predefinito 3.1 come PCM raw senza intestazione con tipo audio/l16. I byte audio necessitano delle informazioni appropriate di riproduzione o contenitore quando si prepara una registrazione modificabile; aggiungere soltanto un nome di file WAV non crea un'intestazione WAV. Controlla il formato effettivamente restituito prima di importare il risultato. Google dichiara inoltre che l'audio generato da Gemini 3.1 Flash TTS porta una filigrana SynthID impercettibile. La filigrana riguarda l'identificazione dell'audio generato e non sostituisce una trascrizione, etichette dei parlanti o una verifica all'ascolto.\n\nLo stile di preparazione 3.1 differisce sostanzialmente da 3.8. Gemini 3.8 sposta le indicazioni continuative e l'identità del parlante in metadati strutturati del parlato, usa tag tra parentesi angolari per eventi puntuali e cambia il formato predefinito delle richieste completate in WAV. Conserva un prompt 3.1 come prompt 3.1, anziché mescolarvi la struttura più recente delle richieste. La tabella dei modelli supportati di Google elenca sintesi a uno e più parlanti per 3.1, mentre i controlli di voci progettate e replicazione vocale appartengono alle voci 3.8. L'edizione separata Flash Live gestisce input audio interattivo; questa edizione TTS serve alla produzione da testo preparato ad audio.\n\nControlla la registrazione rispetto al copione scritto per parole omesse o ripetute, nomi, tempi dei turni e cambiamenti emotivi previsti. Se una frase necessita di un'enfasi diversa, rivedi quell'indicazione locale ed esamina la transizione interessata. Questo flusso rende utile il brief di interpretazione: registra ciò che dovrebbe rimanere stabile nel parlante e ciò che dovrebbe cambiare in quel brano, mentre il copione conserva i contenuti che il pubblico deve ascoltare.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "4d1d5a38281b0ce25f6a416d1283f073cca4c00227740a870a8b822a38c6cb1d", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "it", "methods": [ { "html": "google/gemini-3.1-flash-tts-previewGoogle Gemini 3.1 Flash TTS Preview converte copioni scritti in audio parlato espressivo. Indicazioni in linguaggio naturale, Audio Profiles dei parlanti, Director's Notes e tag audio inline modellano ritmo, tono e accento. Supporta dialoghi nativi e oltre 70 lingue, usando il formato di prompt e audio 3.1.
Questa descrizione illustra le funzionalità del modello. Gli input, gli output e le opzioni disponibili in Ailoot per il metodo selezionato sono elencati di seguito.
Google Gemini 3.1 Flash TTS Preview è l'edizione text-to-speech della famiglia Gemini 3.1 Flash Audio. Accetta testo e produce audio parlato con espressività guidata dal prompt. Google descrive questa generazione come un miglioramento nella naturalezza del parlato, nella controllabilità e nelle prestazioni multilingue, con dialoghi nativi a più parlanti e oltre 70 lingue. Un impiego pratico è una breve lezione narrata, uno scambio tra personaggi o un brano parlato la cui interpretazione conta quanto le parole.
Prepara un copione definitivo e un brief di interpretazione. Questa generazione usa istruzioni in linguaggio naturale all'interno dell'input testuale per guidare stile vocale, ritmo e lettura. La versione di Google introduce indicazioni di scena per stabilire la situazione, Audio Profiles dei parlanti per definire i personaggi e Director's Notes per guidare ritmo, tono e accento. Mantieni identificabili queste parti nella preparazione del prompt, affinché le parole previste e le istruzioni di interpretazione possano essere controllate indipendentemente. Un brief essenziale è più facile da rivedere di diverse descrizioni concorrenti della stessa voce.
Per esempio, un brief originale di prova può descrivere un narratore calmo che spiega un'esposizione museale, con frasi scandite e un tono più caldo nell'ultima frase. Il copione associato dovrebbe contenere i nomi effettivi dell'esposizione e la formulazione precisa da pronunciare. Per un dialogo, assegna ai personaggi profili distinti e una sequenza chiara di turni. Usa il contesto della scena per spiegare se un parlante sta rassicurando l'altro, ponendo una domanda sincera o rispondendo con sorpresa contenuta. Il risultato generato da valutare è l'interpretazione udibile di quel copione.
I tag audio inline aggiungono controllo locale all'interno del testo, permettendo all'espressione di un parlante di cambiare entro una frase, anziché dipendere interamente dall'indicazione iniziale. Google descrive i tag come controlli di stile vocale, ritmo e interpretazione. Usali dove l'interpretazione richiede un cambiamento specifico e mantieni naturale da pronunciare il resto delle parole. La distinzione utile in questa edizione è tra il brief generale del personaggio o della scena e il cambiamento locale nell'interpretazione. Un breve brano neutro può stabilire la voce di base prima che il copione aggiunga indicazioni emotive più marcate.
Per il lavoro multilingue, fornisci il copione nella lingua definitiva e dichiara nel brief l'accento e lo stile di parlato desiderati. L'annuncio di Google documenta il supporto di oltre 70 lingue. Come preparazione editoriale pratica, assegna ai nomi ricorrenti una grafia coerente, esplicita le abbreviazioni ambigue quando è richiesta una sola lettura e controlla i numeri nel risultato parlato. La sola etichetta della lingua non determina come debba suonare un marchio o un termine preso in prestito. Confronta i brani contenenti tali termini con la lettura prevista prima di accettare una narrazione lunga.
La pagina dell'esatto modello Gemini API elenca un limite di input di 8,192 token e un limite di output di 16,384 token per questo modello in anteprima. La scheda nativa del modello TTS di DeepMind elenca separatamente input testuale fino a 16K token e output audio di 32K token; questi valori della scheda del modello sono distinti dai limiti di erogazione di Gemini API. Conteggia le indicazioni di interpretazione come parte dell'input preparato, oltre al copione. La capacità di output è espressa in token audio, quindi non garantisce una durata specifica della registrazione. Organizza una lezione o una storia lunga in sezioni coerenti, conserva lo stesso brief del personaggio e ascolta le giunzioni. Per dialoghi sceneggiati, controlla attribuzione e ordine dei turni oltre alle parole pronunciate e all'interpretazione emotiva.
La documentazione di migrazione di Google identifica l'output predefinito 3.1 come PCM raw senza intestazione con tipo audio/l16. I byte audio necessitano delle informazioni appropriate di riproduzione o contenitore quando si prepara una registrazione modificabile; aggiungere soltanto un nome di file WAV non crea un'intestazione WAV. Controlla il formato effettivamente restituito prima di importare il risultato. Google dichiara inoltre che l'audio generato da Gemini 3.1 Flash TTS porta una filigrana SynthID impercettibile. La filigrana riguarda l'identificazione dell'audio generato e non sostituisce una trascrizione, etichette dei parlanti o una verifica all'ascolto.
Lo stile di preparazione 3.1 differisce sostanzialmente da 3.8. Gemini 3.8 sposta le indicazioni continuative e l'identità del parlante in metadati strutturati del parlato, usa tag tra parentesi angolari per eventi puntuali e cambia il formato predefinito delle richieste completate in WAV. Conserva un prompt 3.1 come prompt 3.1, anziché mescolarvi la struttura più recente delle richieste. La tabella dei modelli supportati di Google elenca sintesi a uno e più parlanti per 3.1, mentre i controlli di voci progettate e replicazione vocale appartengono alle voci 3.8. L'edizione separata Flash Live gestisce input audio interattivo; questa edizione TTS serve alla produzione da testo preparato ad audio.
Controlla la registrazione rispetto al copione scritto per parole omesse o ripetute, nomi, tempi dei turni e cambiamenti emotivi previsti. Se una frase necessita di un'enfasi diversa, rivedi quell'indicazione locale ed esamina la transizione interessata. Questo flusso rende utile il brief di interpretazione: registra ciò che dovrebbe rimanere stabile nel parlante e ciò che dovrebbe cambiare in quel brano, mentre il copione conserva i contenuti che il pubblico deve ascoltare.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valori e limiti | Predefinito |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObbligatorio | Valori e limiti google/gemini-3.1-flash-tts-preview | Predefinito— |
Campoinput | Tipostring | RequisitoObbligatorio | Valori e limiti Lunghezza minima: 1 | Predefinito— |
Campovoice | Tipostring | RequisitoObbligatorio | Valori e limiti 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 Lunghezza minima: 1 | Predefinito— |
Camporesponse_format | Tipostring | RequisitoFacoltativo | Valori e limiti mp3, pcm | Predefinitopcm |
Campoprovider | Tipoobject | RequisitoFacoltativo | Valori e limiti | Predefinito— |
| Parametro | Contratto |
|---|---|
Parametrocontent_type | Contrattoapplication/json |
Parametrorequired | Contrattomodel, input, voice |
Parametromaterial_types | Contrattotext |
Ciclo di vita: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id effettivamente restituito o record della libreria multimediale
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Le tariffe non aggiungono opzioni alla richiesta. I parametri supportati sono elencati nel metodo selezionato.
Associa ogni costo alle condizioni indicate. Usa una sola tariffa per ogni insieme di configurazioni alternative.
| Configurazione | Listino delle tariffe | Unità di fatturazione | Costo |
|---|---|---|---|
| ConfigurazioneTariffe base dei token | Listino delle tariffeTariffa base | Unità di fatturazione— | Costo Input · Token in input — / 1K token Output · Token in output — / 1K token Input · Lettura dalla cache — / 1K token Input · Scrittura nella cache — / 1K token Input · Scrittura nella cache, 1 ora — / 1K token |
| Configurazionetoken di input | Listino delle tariffe— | Unità di fatturazione/ 1K token | Costo Input $0.002 / 1K token |
| Configurazionetoken di output | Listino delle tariffe— | Unità di fatturazione/ 1K token | Costo Output $0.04 / 1K token |
Ailoot prenota un importo stimato prima di una richiesta. Dopo il risultato, addebita il costo finale in base all’utilizzo misurato. Per lo streaming, l’addebito usa il record finale di utilizzo. Come funzionano la prenotazione e l’addebito finale →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'google/gemini-3.1-flash-tts-preview', 'input': '${ACTUAL_INPUT_TEXT}', 'voice': 'Orus', 'response_format': 'pcm'}\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 $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nAudio binario completo o risposta audio_url originale, intestazioni e ogni risorsa di tua proprietà.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${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.\nConserva ogni risposta, file e parte di contenuto restituiti per intero.
Conserva la risposta completa e gli header, ogni output effettivo, gli identificatori originali restituiti e tutti i campi di utilizzo. Recupera l'operazione originale senza inviare nuovamente la richiesta di creazione.
Conserva l'X-Client-Request-ID restituito per la riconciliazione. Leggi solo i valori task_id/asset_id effettivamente restituiti o la tua libreria multimediale; non costruire mai un URL del task a partire dall'ID dell'operazione e non reinviare mai la richiesta di creazione.
Ailoot Ultra google/gemini-3.1-flash-tts-preview
Usa i percorsi dei metodi indicati sopra.