Google: Gemini 3.8 Flash Lite TTS

Google Gemini 3.8 Flash-Lite TTS è il componente della famiglia text-to-speech 3.8 di Google orientato alla produttività. Riceve un copione scritto e produce audio parlato. Google lo propone per funzioni di lettura ad alta voce, narrazione quotidiana con un solo parlante, produzione di grandi volumi di audio e fase di output vocale dei sistemi con agenti vocali. Un risultato utile è un articolo letto con una voce coerente, una spiegazione parlata di un prodotto o una serie di brevi registrazioni di istruzioni. Il copione dovrebbe già contenere le parole che l'ascoltatore deve sentire.

La famiglia 3.8 separa la trascrizione dalle indicazioni di interpretazione. Mantieni letterale il testo da pronunciare e inserisci emozione continuativa, ritmo, volume o stile di lettura nei metadati del parlato. Un'introduzione calorosa, un'istruzione urgente e una chiusura sommessa possono avere ciascuna una breve descrizione di stile associata al proprio turno. Un testo come «Dillo allegramente» inserito nella trascrizione potrebbe essere pronunciato. I nomi dei parlanti vanno nei metadati del parlante, anziché come etichette nel copione udibile. Questa preparazione è particolarmente importante quando si riutilizzano prompt scritti per Gemini 3.1 Flash TTS.

Usa tag inline tra parentesi angolari per brevi eventi in un punto specifico: un respiro, una risata, un colpo di tosse, un sospiro o una pausa. Per esempio, la trascrizione «Il passaggio successivo è semplice. <short pause> Scegli la lingua che preferisci» mantiene la pausa prevista accanto alle parole su cui influisce. Inserisci una lettura sussurrata continuativa nella descrizione di stile, anziché aggiungere ripetutamente tag di evento. Google consiglia nomi dei tag in inglese anche per copioni in altre lingue. Questi controlli dirigono la voce; una traccia di applausi o una porta che sbatte richiedono una produzione sonora separata, anziché un tag di evento vocale.

Google elenca 101 lingue supportate per questa edizione, tra cui inglese, russo, cinese, giapponese, coreano, francese, tedesco, spagnolo, indonesiano e vietnamita. Scrivi il copione definitivo nella lingua prevista, includendo la forma desiderata di nomi, abbreviazioni e numeri. Nella preparazione editoriale, esplicita un'abbreviazione ambigua o la lettura prevista di un numero quando l'ascoltatore deve sentirne una forma specifica. Ascolta un brano iniziale contenente i nomi difficili e le transizioni prima di considerare completata una registrazione lunga. Il numero di lingue non rende intercambiabili tutte le pronunce regionali.

Il produttore supporta voci predefinite, una libreria vocale estesa, personaggi vocali progettati e replicazione della voce. Seleziona l'identità vocale separatamente dalle indicazioni temporanee di recitazione. Riutilizza quell'identità e una breve descrizione dell'interpretazione tra le sezioni quando la narrazione deve rimanere coerente. Nella configurazione documentata a due parlanti, assegna a ogni turno un parlante esplicito che corrisponda a una delle due voci predefinite configurate. La guida di Google gestisce le scene con più personaggi e voci progettate o replicate generando i singoli turni. Questa distinzione conta quando si pianifica un dialogo anziché un singolo narratore.

Per le richieste ordinarie completate, la guida 3.8 di Google specifica audio WAV con intestazione RIFF, contenente PCM a 24 kHz, mono, signed a 16 bit little-endian. La configurazione in streaming restituisce invece, per impostazione predefinita, blocchi PCM raw senza intestazione; la guida documenta anche le opzioni di codifica PCM lineare raw, mu-law e A-law. Abbina le impostazioni di riproduzione o montaggio al formato effettivo dell'output. Rinominare PCM senza intestazione con un'estensione WAV non aggiunge le informazioni del contenitore. Quando assembli turni generati separatamente, mantieni coerente il formato audio e considera ogni WAV completo come un file con la propria intestazione.

La pagina dell'esatto modello elenca limiti di Gemini API di 8,192 token di input e 16,384 token di output. I token audio non esprimono un numero fisso di secondi parlati. Prepara il materiale lungo in sezioni significative, conservando la stessa voce e il brief di stile e ascoltando le giunzioni. Questi sono i limiti di erogazione documentati dal produttore per questo modello; descrivono una grandezza diversa da un campo generico di contesto del catalogo. L'input è testo e l'output è audio: stesura del copione, traduzione e trascrizione sono quindi attività separate di preparazione o successive.

Flash-Lite condivide la struttura delle richieste 3.8 con Gemini 3.8 Flash TTS. La scelta pratica riguarda l'interpretazione richiesta: Flash-Lite punta a una produzione rapida e ripetuta, mentre Flash TTS è il livello creativo per pronunce difficili, recitazione sfumata e copertura dialettale più ampia. Un normale articolo di assistenza e una scena drammatica a due personaggi pongono esigenze diverse alla voce. Controlla la registrazione effettiva per parole omesse o ripetute, pronuncia, ritmo e cambiamenti udibili tra i segmenti prima di usarla nell'esperienza finale di ascolto.