Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview – Gemini 3.1 Flash Audio šeimos teksto keitimo sakytine kalba versija. Ji priima tekstą ir sukuria sakytinį garsą, kurio išraišką valdo užklausa. Google šią kartą apibūdina kaip natūraliau skambančios kalbos, geresnio valdomumo ir daugiakalbio veikimo patobulinimą, turintį įtaisytą kelių kalbėtojų dialogo palaikymą ir palaikantį daugiau kaip 70 kalbų. Praktinis naudojimas – trumpa įgarsinta pamoka, personažų pokalbis ar sakytinė ištrauka, kurios atlikimas toks pat svarbus kaip formuluotės.

Paruoškite užbaigtą scenarijų ir atlikimo užduotį. Ši karta teksto įvestyje naudoja natūralios kalbos instrukcijas balso stiliui, tempui ir atlikimui valdyti. Google leidime pristatomi scenos nurodymai situacijai nustatyti, kalbėtojų Audio Profiles personažams apibrėžti ir Director’s Notes tempui, tonui bei akcentui valdyti. Rengdami užklausą aiškiai atskirkite šias dalis, kad numatomus žodžius ir atlikimo instrukcijas būtų galima tikrinti atskirai. Glaustą užduotį lengviau pataisyti nei kelis tarpusavyje konkuruojančius to paties balso aprašymus.

Pavyzdžiui, originalioje repeticijos užduotyje galima aprašyti ramų pasakotoją, aiškinantį muziejaus eksponatą, kalbantį pamatuotomis frazėmis ir paskutinį sakinį ištariantį šiltesniu tonu. Pridėtame scenarijuje turi būti tikrieji eksponato pavadinimai ir tikslios įgarsintinos formuluotės. Dialogui suteikite personažams skirtingus profilius ir aiškią pasisakymų seką. Scenos kontekstu paaiškinkite, ar vienas kalbėtojas ramina kitą, nuoširdžiai klausia, ar atsako santūriai nustebęs. Vertintinas sugeneruotas artefaktas yra girdimas to scenarijaus atlikimas.

Tekste įterptos garso žymos suteikia vietinį valdymą: kalbėtojo išraiška gali pasikeisti sakinio viduryje, nesiremiant vien pradiniais nurodymais. Google aprašo žymas kaip balso stiliaus, tempo ir atlikimo valdiklius. Naudokite jas ten, kur reikia konkretaus atlikimo pokyčio, o likusias formuluotes palikite natūralias kalbėti. Šioje versijoje naudinga atskirti bendrą personažo ar scenos užduotį nuo vietinio atlikimo pokyčio. Trumpa neutrali ištrauka gali nustatyti bazinį balsą prieš scenarijuje pridedant daugiau emocinių nurodymų.

Daugiakalbiam darbui pateikite scenarijų galutine kalba ir užduotyje nurodykite norimą akcentą bei kalbėjimo stilių. Google pranešime dokumentuojamas daugiau kaip 70 kalbų palaikymas. Praktiškai rengdami tekstą pasikartojančius vardus rašykite vienodai, išskleiskite dviprasmiškas santrumpas, jei reikia vieno konkretaus perskaitymo, ir patikrinkite skaičius sakytiniame rezultate. Vien kalbos žyma nenustato, kaip turi skambėti prekės ženklas ar skolintas terminas. Prieš priimdami ilgą įgarsinimą palyginkite ištraukas su šiais terminais ir numatomą jų tarimą.

Tiksliai šiam bandomajam modeliui skirtame Gemini API puslapyje nurodyta 8,192 žetonų įvesties ir 16,384 žetonų išvesties riba. Atskira DeepMind gamintojo TTS modelio kortelė nurodo iki 16K žetonų teksto įvestį ir 32K žetonų garso išvestį; šie modelio kortelės skaičiai skiriasi nuo Gemini API aptarnavimo ribų. Atlikimo nurodymus, kaip ir scenarijų, įskaičiuokite į parengtą įvestį. Išvesties biudžetas išreikštas garso žetonais, todėl negarantuoja konkrečios įrašo trukmės. Ilgą pamoką ar pasakojimą suskirstykite į nuoseklias dalis, išsaugokite tą pačią personažo užduotį ir išklausykite sujungimus. Scenarijaus dialoge tikrinkite ne tik žodžius ir emocinį atlikimą, bet ir priskyrimą kalbėtojams bei pasisakymų tvarką.

Google perkėlimo dokumentacijoje numatytoji 3.1 išvestis nurodoma kaip neapdorotas PCM be antraštės, kurio tipas yra audio/l16. Rengiant redaguojamą įrašą, garso baitams reikia tinkamos atkūrimo arba konteinerio informacijos; vien WAV failo pavadinimas nesukuria WAV antraštės. Prieš importuodami rezultatą patikrinkite tikrą grąžintą formatą. Google taip pat nurodo, kad Gemini 3.1 Flash TTS sugeneruotas garsas turi nepastebimą SynthID vandens ženklą. Šis ženklas skirtas sugeneruotam garsui atpažinti ir nepakeičia transkripto, kalbėtojų žymų ar perklausos.

3.1 pasirengimo stilius iš esmės skiriasi nuo 3.8. Gemini 3.8 tęstinius nurodymus ir kalbėtojo tapatybę perkelia į struktūrizuotus kalbos metaduomenis, naudoja atskirų įvykių žymas kampiniuose skliaustuose ir užbaigtų užklausų numatytąją išvestį pakeičia į WAV. 3.1 užklausą išsaugokite kaip 3.1 užklausą, nemaišydami jos su naujesne užklausos struktūra. Google palaikomų modelių lentelėje 3.1 versijai nurodyta vieno ir kelių kalbėtojų sintezė, o sukurtų balsų ir balso atkartojimo valdikliai priklauso 3.8 įrašams. Atskira Flash Live versija tvarko interaktyvią garso įvestį; ši TTS versija skirta parengto teksto pavertimui garsu.

Patikrinkite įrašą pagal rašytinį scenarijų: ar nepraleisti ir nepakartoti žodžiai, ar teisingi vardai, pasisakymų laikas ir numatyti emocijų pokyčiai. Jei vienam sakiniui reikia kitokio akcento, pataisykite vietinį nurodymą ir patikrinkite paveiktą perėjimą. Tokia eiga suteikia atlikimo užduočiai praktinę vertę: joje užfiksuojama, kas kalbėtojo balse turi išlikti stabilu ir kas turi keistis konkrečioje ištraukoje, o scenarijus išsaugo turinį, kurį turi išgirsti auditorija.