Gemini 3.8 Flash Tts

Google kalbos modelis išraiškingam įgarsinimui, audioknygoms ir dialogams su balso valdymu bei 130 kalbų palaikymu.

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

Apie modelį

Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.

Gemini 3.8 Flash TTS skirta išraiškingam įgarsinimui ir ilgam pasakojimui. Google išskiria audioknygas, dialogus su keliais kalbėtojais ir balso stabilumą ilguose fragmentuose. Kalbos valdymas apima emocinį atlikimą, ritmą ir tarimą, įskaitant regioninius akcentus bei tarmes.

Balsai ir kalbos

Modeliui nurodyta 130 kalbų, įskaitant rusų. Galimi 30 paruoštų balsų, išplėsta biblioteka, balso įvaizdžio kūrimas pagal aprašymą ir balso atkūrimas pagal pavyzdį. Šios galimybės leidžia pasirinkti tembrą ir atlikimo pobūdį konkrečiai medžiagai.

Dialogo replikos susiejamos su kalbėtojais. Vienoje užklausoje su keliais kalbėtojais galima naudoti ne daugiau kaip du paruoštus balsus. Naudojant pagal aprašymą ar pavyzdį sukurtus balsus replikos sintetinamos atskirai; toks balsas netampa dar vienu paruoštu balsu daugiabalsėje užklausoje.

Tekstas ir atlikimo valdymas

Įvestis – tekstas, išvestis – garsas. Ribos – 8 192 įvesties tokenai ir 16 384 išvesties tokenai. Tekstas laikomas tariama replika; stiliaus aprašymas ir pasirinktas kalbėtojas nurodomi atskirai. Tai leidžia atskirti žodžius, kurie turi nuskambėti, nuo nurodymų, kaip juos skaityti.

Stilius apima emociją, tempą, garsumą ir prozodiją. Trumpi įvykiai – juokas, atodūsis, pauzė – nustatomi specialiomis garso žymomis replikoje. Šios žymos skirtos atlikimui valdyti, o ne įprastiems perskaityti skirtiems žodžiams.

Garso formatai ir galimybės

Įprastai generuojant pagal numatytąsias nuostatas grąžinamas WAV. Srautiniam perdavimui pagal numatytąsias nuostatas naudojamas PCM be antraštės. Pradiniai parametrai – 24 kHz, vienas kanalas ir 16 bitų. Taip pat numatyti PCM, mu-law ir A-law. Palaikomi konteksto kaupimas podėlyje ir paketinis apdorojimas. Konkretus failo formatas ir prieinamos nuostatos priklauso nuo pasirinkto kalbos metodo.

Modelis specializuojasi kurti kalbą. Funkcijų iškvietimai, kodo vykdymas, paieška failuose, pagrindimas paieškos rezultatais, Google Maps, vaizdų generavimas, struktūruoti tekstiniai atsakymai, Thinking ir žiniatinklio adresų turinys nepalaikomi. Stabilus balsas ir valdoma išraiška yra deklaruojamos modelio kryptys, o ne idealaus kiekvienos replikos tarimo pažadas.

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

gemini-3.8-flash-tts

Google /gemini-3.8-flash-tts

Pradžia

Google kalbos modelis išraiškingam įgarsinimui, audioknygoms ir dialogams su balso valdymu bei 130 kalbų palaikymu.

Leidžiamos įvestys: Tekstas
Rezultatai: Garsas

Prieinama Ailoot · įvestys ir metodai

Ailoot · Įgarsinimas POST /v1/audio/speech

Įvestis: text
Išvestis: audio
Kontekstas: 8 192 tokens
Didžiausia išvestis: 16 384 tokens
Išvesties formatas: pirminio garso formato baitai arba JSON nuorodos į išteklius

Laukas	Tipas	Reikalavimas	Reikšmės ir ribos	Numatyta
Laukas`model`	Tipas`string`	ReikalavimasPrivaloma	Reikšmės ir ribos gemini-3.8-flash-tts	Numatyta—
Laukas`input`	Tipas`string`	ReikalavimasPrivaloma	Reikšmės ir ribos Mažiausias ilgis: 1	Numatyta—
Laukas`voice`	Tipas`string`	ReikalavimasNeprivaloma	Reikšmės ir ribos 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	NumatytaKore
Laukas`response_format`	Tipas`string`	ReikalavimasNeprivaloma	Reikšmės ir ribos , wav, json	Numatyta
Laukas`stream_format`	Tipas`string`	ReikalavimasNeprivaloma	Reikšmės ir ribos audio	Numatyta—

Įvesties medžiagos deriniai

text_to_speech · Privaloma: input

Metodo parametrai ir gyvavimo ciklas

Parametras	Specifikacija
Parametras`material_types`	Specifikacijatext
Parametras`required`	Specifikacijanull
Parametras`optional_controls`	Specifikacijanull

Gyvavimo ciklas: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · faktiškai grąžinta task_id reikšmė arba medijos bibliotekos įrašas

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Metodų struktūros ir ID yra tikslūs; tiekėjo galimybės yra atskirtos nuo užklausos priėmimo.

Planai

Ailoot metodų įkainiai

Ailoot ĮgarsinimasPOST /v1/audio/speech

Įvestis: 0,0005 USD / 1K
Išvestis: 0,009 USD / 1K
Talpyklos skaitymas: 0,000125 USD / 1K

Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →

Užklausų pavyzdžiai

Ailoot · Įgarsinimas

Įgarsinimo pavyzdys

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

Gauti ir išsaugoti rezultatus

Ailoot · Įgarsinimas

pirminio garso formato baitai arba JSON nuorodos į išteklius

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

Išsaugoti visus baigtus rezultatus

Išsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.

Vieno rezultato numatytoji forma yra pirminio garso formato baitai su tikruoju Content-Type; response_format=json arba keli rezultatai grąžina visas jums priklausančias nuorodas. Prašomas MP3/Opus/AAC/FLAC/PCM konvertavimas arba SSE netaikomi.

Jei reikia patikrinti pradinį atsakymą

Išsaugokite pradinį operation_id/X-Client-Request-ID duomenims sutikrinti, pakartotinai neteikdami užklausos; atskiro garso būsenos tikrinimo maršruto nėra.

Atsakymo laukai

Laukas	Tipas
Laukas`binary native audio`	Tipasbytes
Laukas`model`	Tipasstring
Laukas`response_id`	Tipasstring
Laukas`actual_count`	Tipasinteger
Laukas`data[]`	Tipasowned audio asset link

Klaidos ir tolesni veiksmai

Atsakymas	Sąlyga	Kitas žingsnis
Atsakymas400 · `invalid_request_error`	SąlygaNetinkami privalomi laukai, medžiagos pateikimo forma arba parametro reikšmė	Kitas žingsnisPrieš naują kūrimo užklausą pataisykite nurodytus laukus.
Atsakymas`server_error`	SąlygaGrąžintame atsakyme nurodoma, kad operaciją arba rezultatą reikia patikrinti	Kitas žingsnisIšsaugokite pradinį grąžintą operacijos ar užduoties ID, užklausos antraštes ir atsakymą; toliau tikrinkite tos pačios pradinės operacijos duomenis palaikomais būdais. Kūrimo užklausos pakartotinai neteikite.

Pseudonimai

Modelių pseudonimai

Ailoot gemini-3.8-flash-tts

Metodų kelių pseudonimai

Naudokite aukščiau nurodytus metodų kelius.

Susiję ID iškvietimui

gemini-3.8-flash-tts

FAQ · Gemini 3.8 Flash Tts

Kokios įvestys ir rezultatai prieinami?: POST /v1/audio/speech · gemini-3.8-flash-tts: text → audio
Kokius laukus naudoja užklausa?: POST /v1/audio/speech · gemini-3.8-flash-tts: model, input, voice, response_format, stream_format
Kokie apribojimai taikomi?: POST /v1/audio/speech · gemini-3.8-flash-tts: ctx: 8192; max_out: 16384

Gemini 3.8 Flash Tts