Gemini 3.8 Flash Tts

Дауысты басқару және 130 тіл қолдауы бар мәнерлі дыбыстауға, аудиокітаптар мен диалогтарға арналған Google-дың сөйлеу моделі.

Ailoot · Дыбыстау POST /v1/audio/speech gemini-3.8-flash-tts

Модель туралы

Бұл сипаттама модель мүмкіндіктерін қамтиды. Ailoot жүйесінде таңдалған әдіс үшін қолжетімді кіріс, шығыс және параметрлер төменде берілген.

Gemini 3.8 Flash TTS мәнерлі дыбыстауға және ұзақ баяндауға арналған. Google аудиокітаптарды, бірнеше сөйлеушісі бар диалогтарды және ұзақ үзінділерде дауыстың тұрақтылығын атап көрсетеді. Сөйлеуді басқару аймақтық акценттер мен диалектілерді қоса алғанда, эмоциялық мәнерді, ырғақ пен айтылымды қамтиды.

Дауыстар және тілдер

Модель үшін орыс тілін қоса алғанда, 130 тіл мәлімделген. 30 дайын дауыс, кеңейтілген кітапхана, сипаттама бойынша дауыстық бейне жасау және үлгі бойынша дауысты қайталау қолжетімді. Бұл мүмкіндіктер нақты материал үшін тембр мен орындалу сипатын таңдауға мүмкіндік береді.

Диалог репликалары сөйлеушілермен байланыстырылады. Бірнеше сөйлеушісі бар бір сұрауда екіден артық дайын дауыс қолдануға болмайды. Сипаттама не үлгі бойынша жасалған дауыстармен репликалар бөлек синтезделеді; мұндай дауыстың болуы оны көпдауысты сұраудағы тағы бір дайын дауысқа айналдырмайды.

Мәтін және мәнерді басқару

Кіріс — мәтін, шығыс — аудио. Шектер — 8 192 кіріс токені және 16 384 шығыс токені. Мәтін айтылатын реплика ретінде түсіндіріледі; стиль сипаттамасы мен таңдалған сөйлеуші бөлек беріледі. Бұл айтылуы тиіс сөздерді оларды қалай оқу керектігі туралы нұсқаулардан ажыратуға мүмкіндік береді.

Стиль эмоцияны, қарқынды, қаттылық пен просодияны қамтиды. Қысқа оқиғалар — күлкі, күрсіну, үзіліс — реплика ішіндегі арнайы аудиотегтермен беріледі. Мұндай тегтер оқылатын кәдімгі сөздер емес, орындалуды басқаруға арналған.

Аудиоформаттар және мүмкіндіктер

Кәдімгі генерацияда әдепкіде WAV қайтарылады. Ағындық беру үшін әдепкіде тақырыбы жоқ PCM қолданылады. Бастапқы параметрлер — 24 кГц, бір арна және 16 бит. PCM, mu-law және A-law да қарастырылған. Контекстті кэштеу және пакеттік өңдеу қолдау табады. Нақты файл форматы мен қолжетімді баптаулар таңдалған сөйлеу әдісіне байланысты.

Модель сөйлеу жасауға маманданған. Функцияларды шақыру, код орындау, файлдар бойынша іздеу, іздеумен негіздеу, Google Maps, сурет генерациясы, құрылымдалған мәтіндік жауаптар, Thinking және веб-мекенжай мазмұны қолдау таппайды. Тұрақты дауыс пен басқарылатын мәнерлілік — әр репликаның мінсіз айтылуы туралы уәде емес, модельдің мәлімделген бағыттары.

Ailoot · Дыбыстау POST /v1/audio/speech gemini-3.8-flash-tts

gemini-3.8-flash-tts

Google /gemini-3.8-flash-tts

Бастау

Қабылданатын кіріс деректері: Мәтін
Нәтижелер: Аудио

Ailoot жүйесінде қолжетімді · кіріс деректері мен әдістер

Ailoot · Дыбыстау POST /v1/audio/speech

Кіріс: text
Шығыс: audio
Контекст: 8 192 tokens
Ең үлкен шығыс: 16 384 tokens
Шығыс пішімі: төл пішімдегі аудио байттары немесе JSON ішіндегі ресурс сілтемелері

Өріс	Түрі	Талап	Мәндер мен шектеулер	Әдепкі
Өріс`model`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер gemini-3.8-flash-tts	Әдепкі—
Өріс`input`	Түрі`string`	ТалапМіндетті	Мәндер мен шектеулер Ең аз ұзындық: 1	Әдепкі—
Өріс`voice`	Түрі`string`	ТалапМіндетті емес	Мәндер мен шектеулер 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	ӘдепкіKore
Өріс`response_format`	Түрі`string`	ТалапМіндетті емес	Мәндер мен шектеулер , wav, json	Әдепкі
Өріс`stream_format`	Түрі`string`	ТалапМіндетті емес	Мәндер мен шектеулер audio	Әдепкі—

Кіріс материалдарының үйлесімдері

text_to_speech · Міндетті: input

Әдіс параметрлері мен өмірлік циклі

Параметр	Параметр талаптары
Параметр`material_types`	Параметр талаптарыtext
Параметр`required`	Параметр талаптарыnull
Параметр`optional_controls`	Параметр талаптарыnull

Өмірлік цикл: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Нақты қайтарылған task_id немесе медиатека жазбасы

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Әдіс құрылымдары мен ID мәндері дәл берілген; жеткізушінің мүмкіндігі сұрауды қабылдаудан бөлек қаралады.

Тарифтер

Ailoot әдістерінің мөлшерлемелері

Ailoot ДыбыстауPOST /v1/audio/speech

Кіріс: 0,0005 $ / 1K
Шығыс: 0,009 $ / 1K
Кэшті оқу: 0,000125 $ / 1K

Ailoot сұрау алдында болжамды соманы резервтейді. Нәтижеден кейін өлшенген пайдалану көлемі бойынша қорытынды төлемді шегереді. Ағындық жауап үшін төлем соңғы пайдалану жазбасы негізінде шегеріледі. Резервтеу мен төлемді есептеу тәртібі →

Сұрау мысалдары

Ailoot · Дыбыстау

Дыбыстау мысалы

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

Нәтижелерді алу және сақтау

Ailoot · Дыбыстау

төл пішімдегі аудио байттары немесе JSON ішіндегі ресурс сілтемелері

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Барлық дайын нәтижені сақтау

Қайтарылған әр толық жауапты, файлды және мазмұн бөлігін сақтаңыз.

Бір шығыс нәтижесі әдепкіде нақты Content-Type мәнімен төл аудио байттарын береді; response_format=json немесе бірнеше шығыс нәтижесі иелігіңіздегі барлық сілтемені қайтарады. Сұралған MP3/Opus/AAC/FLAC/PCM түрлендіруі немесе SSE қолданылмайды.

Бастапқы жауапты тексеру қажет болса

Қайта жібермей салыстырып тексеру үшін бастапқы operation_id/X-Client-Request-ID мәнін сақтаңыз; аудио күйін мерзімді түрде сұратуға арналған жеке маршрут жоқ.

Жауап өрістері

Өріс	Түрі
Өріс`binary native audio`	Түріbytes
Өріс`model`	Түріstring
Өріс`response_id`	Түріstring
Өріс`actual_count`	Түріinteger
Өріс`data[]`	Түріowned audio asset link

Қателер және келесі қадамдар

Жауап	Шарт	Келесі қадам
Жауап400 · `invalid_request_error`	ШартМіндетті өрістер, материалды ұсыну тәсілі немесе параметр мәні қате	Келесі қадамЖаңадан жасау сұрауын жібермес бұрын көрсетілген өрістерді түзетіңіз.
Жауап`server_error`	ШартҚайтарылған жауапта операцияны немесе нәтижені тексеру қажет екені көрсетілген	Келесі қадамБастапқыда қайтарылған операцияның/тапсырманың ID мәнін, сұрау тақырыптарын және жауабын сақтаңыз; сол бастапқы операцияны қолдау көрсетілетін тәсілдермен оқуды жалғастырыңыз. Жасау сұрауын қайта жібермеңіз.

Балама атаулар

Модельдердің балама атаулары

Ailoot gemini-3.8-flash-tts

Әдіс жолдарының балама атаулары

Жоғарыда көрсетілген әдіс жолдарын пайдаланыңыз.

Шақыруға арналған байланысты ID

gemini-3.8-flash-tts

FAQ · Gemini 3.8 Flash Tts

Қандай кіріс деректері мен нәтижелер қолжетімді?: POST /v1/audio/speech · gemini-3.8-flash-tts: text → audio
Сұрау қандай өрістерді пайдаланады?: POST /v1/audio/speech · gemini-3.8-flash-tts: model, input, voice, response_format, stream_format
Қандай шектеулер қолданылады?: POST /v1/audio/speech · gemini-3.8-flash-tts: ctx: 8192; max_out: 16384

Gemini 3.8 Flash Tts