Gemini 3.8 Flash Tts
表現豊かな読み上げ、オーディオブック、声を制御した対話に向けた、130言語に対応するGoogleの音声モデルです。
モデルについて
この説明はモデルの機能を紹介するものです。Ailootで利用できる入力、出力、オプションは、選択したメソッドごとに以下に記載されています。
Gemini 3.8 Flash TTSは、表現豊かな読み上げと長い語りに向けられています。Googleは、オーディオブック、複数話者の対話、長い部分での声の安定性を特徴として挙げています。発話制御は、地域のアクセントや方言を含む、感情表現、リズム、発音を対象としています。
声と言語
ロシア語を含む130言語への対応が公表されています。30の既成の声、拡張ライブラリ、説明に基づく声の作成、サンプルに基づく声の再現を利用できます。具体的な素材に合わせて、声質や表現の性質を選ぶための機能です。
対話の発話は、話者に紐付けます。一回の複数話者のリクエストでは、既成の声を二つまで使用できます。説明やサンプルから作成した声では、発話を個別に合成します。その声があることによって、複数話者のリクエスト内で使える既成の声が一つ増えるわけではありません。
テキストと表現の制御
入力はテキスト、出力は音声です。上限は、入力8 192トークンと出力16 384トークンです。テキストは発話する言葉として扱い、スタイルの説明と選択した話者は別に指定します。発話すべき言葉と、その読み方の指示を分離できます。
スタイルには、感情、速度、音量、韻律が含まれます。笑い、ため息、間などの短い出来事は、発話内の専用の音声タグで指定します。こうしたタグは、読み上げる通常の単語ではなく、表現を制御するためのものです。
音声形式と機能
通常の生成では、既定でWAVを返します。ストリーミングでは、既定でPCM（ヘッダーなし）を使用します。元のパラメータは、24キロヘルツ、一チャンネル、16ビットです。PCM、mu-law、A-lawも用意されています。コンテキストのキャッシュとバッチ処理に対応しています。具体的なファイル形式や利用できる設定は、選択した音声メソッドによって決まります。
モデルは発話の作成に特化しています。関数呼び出し、コードの実行、ファイル検索、検索による裏付け、Google Maps、画像の生成、構造化されたテキスト応答、Thinking、ウェブアドレスの内容には対応していません。安定した声と調整可能な表現力は、モデルが掲げる方向性であり、すべての発話の完璧な発音を約束するものではありません。
Ailoot · 音声合成 POST /v1/audio/speech gemini-3.8-flash-tts
gemini-3.8-flash-ttsはじめに
表現豊かな読み上げ、オーディオブック、声を制御した対話に向けた、130言語に対応するGoogleの音声モデルです。
- 対応する入力
- テキスト
- 結果
- 音声
Ailootで利用可能 · 入力とメソッド
Ailoot · 音声合成 POST /v1/audio/speech
- 入力の種類
text- 出力の種類
audio- コンテキスト
- 8,192 tokens
- 最大出力
- 16,384 tokens
- 出力形式
- ネイティブ形式の音声バイト列、またはJSONのアセットリンク
| フィールド | 種類 | 要件 | 値と制限 | デフォルト |
|---|---|---|---|---|
フィールドmodel | 種類string | 要件必須 | 値と制限 gemini-3.8-flash-tts | デフォルト— |
フィールドinput | 種類string | 要件必須 | 値と制限 最小の長さ: 1 | デフォルト— |
フィールドvoice | 種類string | 要件任意 | 値と制限 Achernar, Achird, Algenib, Algieba, Alnilam, Aoede, Arlo, Autonoe, Bodi, Brio, Callirrhoe, Charon, Cleo, Cruz, Daro, Despina, Elio, Enceladus, Enya, Enzo, Erinome, Fenrir, Finn, Fola, Gacrux, Gero, Hali, Iapetus, Jett, Jori, Kira, Knox, Koda, Kore, Laomedeia, Leda, Lora, Ludo, Lumi, Mako, Milo, Neno, Nika, Nyla, Olin, Orus, Puck, Pulcherrima, Rami, Rasalgethi, Riko, Rina, Sadachbia, Sadaltager, Sami, Schedar, Sola, Sulafat, Tari, Tavi, Tova, Umbriel, Varo, Veda, Vindemiatrix, Zali, Zeno, Zephyr, Zubenelgenubi, Zuri | デフォルトKore |
フィールドresponse_format | 種類string | 要件任意 | 値と制限 , wav, json | デフォルト |
フィールドstream_format | 種類string | 要件任意 | 値と制限 audio | デフォルト— |
入力素材の組み合わせ
text_to_speech · 必須: input
メソッドのパラメータとライフサイクル
| パラメータ | 仕様 |
|---|---|
パラメータmaterial_types | 仕様text |
パラメータrequired | 仕様null |
パラメータoptional_controls | 仕様null |
ライフサイクル: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 実際に返された task_id またはメディアライブラリのレコード
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
メソッドの形式とIDは正確に記載しています。供給元の対応能力とリクエストの受け入れは別です。
料金
Ailootのメソッド料金
POST /v1/audio/speech- 入力
- $0.0005 / 1K
- 出力
- $0.009 / 1K
- キャッシュ読み取り
- $0.000125 / 1K
Ailootはリクエスト前に見積額を確保します。結果の取得後、実測使用量に基づいて最終料金を精算します。ストリーミング時の精算には最終の使用量記録を使用します。金額の確保と精算の仕組み →
リクエスト例
Ailoot · 音声合成
set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "gemini-3.8-flash-tts", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
-H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
--data-binary @request.json -D response-headers.txt -o speech.wav
結果を受け取って保存
Ailoot · 音声合成
ネイティブ形式の音声バイト列、またはJSONのアセットリンク
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
完了した結果をすべて保存
返された完全なレスポンス、ファイル、コンテンツ部分をすべて保存してください。
単一出力のデフォルトは、実際のContent-Typeを持つネイティブ形式の音声バイト列です。response_format=json、または複数出力の場合は、所有するすべてのリンクが返されます。要求されたMP3/Opus/AAC/FLAC/PCMへの変換やSSEはありません。
元のレスポンスを確認する場合
再送せずに照合できるよう、元の operation_id/X-Client-Request-ID を保存してください。音声専用のポーリングルートはありません。
レスポンスのフィールド
| フィールド | 種類 |
|---|---|
フィールドbinary native audio | 種類bytes |
フィールドmodel | 種類string |
フィールドresponse_id | 種類string |
フィールドactual_count | 種類integer |
フィールドdata[] | 種類owned audio asset link |
エラーと次の手順
| レスポンス | 条件 | 次の手順 |
|---|---|---|
レスポンス400 · invalid_request_error | 条件必須フィールド、素材の表現形式、またはパラメーター値が不正です | 次の手順新しい生成リクエストを送る前に、指定されたフィールドを修正してください。 |
レスポンスserver_error | 条件返されたレスポンスは、操作または結果の確認が必要であることを示しています | 次の手順最初に返された操作／タスク ID、リクエストヘッダー、レスポンスを保存し、その元の操作に対してサポートされている読み取りを継続してください。作成リクエストを再送しないでください。 |
エイリアス
モデルのエイリアス
Ailoot gemini-3.8-flash-tts
メソッドパスのエイリアス
上記に表示されたメソッドパスを使用してください。
関連する呼び出し用ID
FAQ · Gemini 3.8 Flash Tts
- 利用できる入力と結果は何ですか？
POST /v1/audio/speech·gemini-3.8-flash-tts:text→audio- リクエストはどの項目を使用しますか？
POST /v1/audio/speech·gemini-3.8-flash-tts:model,input,voice,response_format,stream_format- どの制限が適用されますか？
POST /v1/audio/speech·gemini-3.8-flash-tts:ctx:8192;max_out:16384