Google Gemini 3.8 Flash TTS yra kūrybiniam balso atlikimui skirtas Google 3.8 kalbos sintezės iš teksto šeimos lygmuo. Jame akcentuojamas akustinis tikslumas, emocijų diapazonas, regioniniai akcentai ir veikėjo balso tęstinumas ilgesniuose dialoguose. Google išskiria garsines knygas, studijinį įgarsinimą, sudėtingą tarimą ir scenas, kuriose reikia daug balso vaidybos. Išvestis yra pagal paruoštą tekstinį scenarijų sukurtas sakytinis garsas, tinkamas pasakotojo atlikimui peržiūrėti ar scenarijumi paremtam pokalbiui derinti su kitais kūrinio elementais.
Pradėkite nuo tikslių žodžių, kurie turi būti girdimi. 3.8 versijoje scenarijaus tekstas traktuojamas pažodžiui, o kalbėtojas ir visam fragmentui taikomas atlikimo pobūdis pateikiami atskiruose kalbos metaduomenyse. Kiekvienam žingsniui aiškiai nurodykite kalbėtojo tapatybę ir, kai naudinga, trumpą stiliaus instrukciją, pavyzdžiui, santūrų susirūpinimą ar linksmą smalsumą. Kai emocija ar tempas reikšmingai keičiasi, eilutę padalykite į atskirus žingsnius. Taip užduotį lengviau patikrinti: scenarijaus tekste yra dialogas, o pridėta instrukcija paaiškina, kaip tą dalį atlikti. Į scenarijaus tekstą įrašytos įprastos rašytinės instrukcijos gali būti perskaitytos balsu.
Google 3.8 balso sistema apima iš anksto paruoštus balsus, išplėstinę balsų biblioteką, sukurtas balso personas ir atkartotas balsų tapatybes. Prieš taikydami laikinus vaidybos pakeitimus pasirinkite pagrindinę personą. Stabilus regioninis akcentas ar veikėjo tapatybė priklauso pasirinktam balsui; stiliaus laukas valdo dabartinį atlikimą. Gamintojas pataria pakartotinai naudoti tą balsą su trumpomis instrukcijomis, užuot kartojus ilgus Audio Profile ar Director’s Notes blokus. Dokumentuota vienos užklausos dialogo konfigūracija sujungia iki dviejų iš anksto paruoštų kalbėtojų. Kuriant ar atkartojant veikėjų balsus, vadove nurodoma kelių veikėjų pokalbį surinkti generuojant kiekvieną žingsnį atskirai.
Trumpą žmogaus balso garsą ar pauzę reikiamoje vietoje nurodykite žyma kampiniuose skliaustuose. Savarankiškas scenarijaus pavyzdys: „Maniau, kad jau išėjai. <short pause> <sigh> Palikau įjungtą šviesą.“ Santūrų atlikimą priskirkite visam žingsniui, o ne įterpkite šią instrukciją tarp tariamų žodžių. Skyryba ir didžiosios raidės gali padėti perteikti dvejonę ar pabrėžti žodį. Google taip pat dokumentuoja vertikaliais brūkšniais atskiriamas klausytojo reakcijas trumpiems atliepimams ir persidengiančiam dialogui bei nurodo Flash TTS kaip tinkamiausią 3.8 versiją didesniam kalbos persidengimui. Tokios reakcijos turi būti pakankamai trumpos, kad klausytojas vis tiek suprastų pagrindinę repliką.
Gamintojas nurodo 130 Flash TTS palaikomų kalbų ir pabrėžia regioninių bei mažumų tarmių aprėptį. Regioninio atlikimo užduotis naudinga lokalizuotos garsinės knygos veikėjui ar pasakojimui, kurio akcentas svarbus auditorijai. Paruoškite scenarijų galutine kalba, nuosekliai rašydami pasikartojančius vardus bei pavadinimus ir sąmoningai parinkdami santrumpų bei skaičių skaitymą. Redakcinę klausymo peržiūrą pradėkite nuo ištraukų su sudėtingais vardais, tarmės pokyčiais ar emociniais perėjimais. Pageidaujamą akcentą ir tempą reikia įvertinti sugeneruotame balse, o ne numanyti vien iš kalbos žymos.
3.8 išvesties vadove atskiriami užbaigti failai ir srautu perduodamas garsas. Užbaigtos užklausos numatytoji išvestis yra WAV failas su RIFF antrašte: 24 kHz, monofoninis, 16 bitų PCM su ženklu ir little-endian baitų tvarka. Numatytoji srautinė išvestis yra neapdorotas tiesinis PCM be antraštės su tokiomis pačiomis mėginių savybėmis. Taip pat dokumentuoti neapdoroto tiesinio PCM, mu-law ir A-law kodavimo pasirinkimai. Rengdami atkūrimą ar importuodami rezultatą į redagavimo programą naudokite tikrąją kodavimo informaciją. Atskirų dialogo failų sekai išlaikykite vienodus formatus ir patikrinkite sujungimus, ar nėra staigių lygio, tempo ar patalpos fono pokyčių.
Būtent šio Google modelio puslapyje nurodytos Gemini API teikimo ribos — 8 192 įvesties žetonų ir 16 384 išvesties žetonų. Tai žetonų ribos, o ne fiksuota garsinės knygos trukmė ar tikslus kalbos sekundžių skaičius. Ilgus scenarijus dalykite prasmingose vietose ir per visas dalis išsaugokite pasirinktą balso tapatybę. Rengdami skyriaus apimties įrašą, tikrinkite tęstinumą pastraipų ir scenų sandūrose, taip pat žodžių tikslumą kiekviename segmente. Gera praktinė peržiūra užfiksuoja, kurioms eilutėms reikia tarimo ar vaidybos pataisų, užuot po kiekvieno bandymo perrašius visą balso užduotį.
Flash TTS ir Flash-Lite TTS naudoja tą pačią 3.8 paruošimo struktūrą, todėl versiją galima pasirinkti pagal darbo poreikius. Flash TTS akcentuoja vaidybą, sudėtingą dialogą, sunkų tarimą ir platesnę tarmių aprėptį; Flash-Lite akcentuoja įprasto sakytinio turinio gamybos našumą. Išraiškos valdikliai skirti žmogaus kalbai ir balso įvykiams. Foninius efektus, muziką ir galutinį garso suvedimą galima planuoti kaip atskirus išteklius. Scenarijaus rašymas, vertimas ir įrašytos kalbos atpažinimas lieka atskiri etapai aplink šį tekstą garsu paverčiantį modelį.
", "aboutText": "Google Gemini 3.8 Flash TTS yra kūrybiniam balso atlikimui skirtas Google 3.8 kalbos sintezės iš teksto šeimos lygmuo. Jame akcentuojamas akustinis tikslumas, emocijų diapazonas, regioniniai akcentai ir veikėjo balso tęstinumas ilgesniuose dialoguose. Google išskiria garsines knygas, studijinį įgarsinimą, sudėtingą tarimą ir scenas, kuriose reikia daug balso vaidybos. Išvestis yra pagal paruoštą tekstinį scenarijų sukurtas sakytinis garsas, tinkamas pasakotojo atlikimui peržiūrėti ar scenarijumi paremtam pokalbiui derinti su kitais kūrinio elementais.\n\nPradėkite nuo tikslių žodžių, kurie turi būti girdimi. 3.8 versijoje scenarijaus tekstas traktuojamas pažodžiui, o kalbėtojas ir visam fragmentui taikomas atlikimo pobūdis pateikiami atskiruose kalbos metaduomenyse. Kiekvienam žingsniui aiškiai nurodykite kalbėtojo tapatybę ir, kai naudinga, trumpą stiliaus instrukciją, pavyzdžiui, santūrų susirūpinimą ar linksmą smalsumą. Kai emocija ar tempas reikšmingai keičiasi, eilutę padalykite į atskirus žingsnius. Taip užduotį lengviau patikrinti: scenarijaus tekste yra dialogas, o pridėta instrukcija paaiškina, kaip tą dalį atlikti. Į scenarijaus tekstą įrašytos įprastos rašytinės instrukcijos gali būti perskaitytos balsu.\n\nGoogle 3.8 balso sistema apima iš anksto paruoštus balsus, išplėstinę balsų biblioteką, sukurtas balso personas ir atkartotas balsų tapatybes. Prieš taikydami laikinus vaidybos pakeitimus pasirinkite pagrindinę personą. Stabilus regioninis akcentas ar veikėjo tapatybė priklauso pasirinktam balsui; stiliaus laukas valdo dabartinį atlikimą. Gamintojas pataria pakartotinai naudoti tą balsą su trumpomis instrukcijomis, užuot kartojus ilgus Audio Profile ar Director’s Notes blokus. Dokumentuota vienos užklausos dialogo konfigūracija sujungia iki dviejų iš anksto paruoštų kalbėtojų. Kuriant ar atkartojant veikėjų balsus, vadove nurodoma kelių veikėjų pokalbį surinkti generuojant kiekvieną žingsnį atskirai.\n\nTrumpą žmogaus balso garsą ar pauzę reikiamoje vietoje nurodykite žyma kampiniuose skliaustuose. Savarankiškas scenarijaus pavyzdys: „Maniau, kad jau išėjai.google/gemini-3.8-flash-ttsGoogle Gemini 3.8 Flash TTS kuria išraiškingą kalbą garsinėms knygoms, studijiniam įgarsinimui ir veikėjų dialogams. Jis derina pažodinį scenarijų su atskiromis kalbėtojo ir vaidybos instrukcijomis, trumpų balso įvykių žymomis ir 130 kalbų aprėptimi, daugiausia dėmesio skirdamas tarimui, regioniniams akcentams ir balso nuoseklumui.
Šis aprašas apima modelio galimybes. Pasirinktam metodui Ailoot prieinamos įvestys, išvestys ir parinktys nurodytos toliau.
Google Gemini 3.8 Flash TTS yra kūrybiniam balso atlikimui skirtas Google 3.8 kalbos sintezės iš teksto šeimos lygmuo. Jame akcentuojamas akustinis tikslumas, emocijų diapazonas, regioniniai akcentai ir veikėjo balso tęstinumas ilgesniuose dialoguose. Google išskiria garsines knygas, studijinį įgarsinimą, sudėtingą tarimą ir scenas, kuriose reikia daug balso vaidybos. Išvestis yra pagal paruoštą tekstinį scenarijų sukurtas sakytinis garsas, tinkamas pasakotojo atlikimui peržiūrėti ar scenarijumi paremtam pokalbiui derinti su kitais kūrinio elementais.
Pradėkite nuo tikslių žodžių, kurie turi būti girdimi. 3.8 versijoje scenarijaus tekstas traktuojamas pažodžiui, o kalbėtojas ir visam fragmentui taikomas atlikimo pobūdis pateikiami atskiruose kalbos metaduomenyse. Kiekvienam žingsniui aiškiai nurodykite kalbėtojo tapatybę ir, kai naudinga, trumpą stiliaus instrukciją, pavyzdžiui, santūrų susirūpinimą ar linksmą smalsumą. Kai emocija ar tempas reikšmingai keičiasi, eilutę padalykite į atskirus žingsnius. Taip užduotį lengviau patikrinti: scenarijaus tekste yra dialogas, o pridėta instrukcija paaiškina, kaip tą dalį atlikti. Į scenarijaus tekstą įrašytos įprastos rašytinės instrukcijos gali būti perskaitytos balsu.
Google 3.8 balso sistema apima iš anksto paruoštus balsus, išplėstinę balsų biblioteką, sukurtas balso personas ir atkartotas balsų tapatybes. Prieš taikydami laikinus vaidybos pakeitimus pasirinkite pagrindinę personą. Stabilus regioninis akcentas ar veikėjo tapatybė priklauso pasirinktam balsui; stiliaus laukas valdo dabartinį atlikimą. Gamintojas pataria pakartotinai naudoti tą balsą su trumpomis instrukcijomis, užuot kartojus ilgus Audio Profile ar Director’s Notes blokus. Dokumentuota vienos užklausos dialogo konfigūracija sujungia iki dviejų iš anksto paruoštų kalbėtojų. Kuriant ar atkartojant veikėjų balsus, vadove nurodoma kelių veikėjų pokalbį surinkti generuojant kiekvieną žingsnį atskirai.
Trumpą žmogaus balso garsą ar pauzę reikiamoje vietoje nurodykite žyma kampiniuose skliaustuose. Savarankiškas scenarijaus pavyzdys: „Maniau, kad jau išėjai. <short pause> <sigh> Palikau įjungtą šviesą.“ Santūrų atlikimą priskirkite visam žingsniui, o ne įterpkite šią instrukciją tarp tariamų žodžių. Skyryba ir didžiosios raidės gali padėti perteikti dvejonę ar pabrėžti žodį. Google taip pat dokumentuoja vertikaliais brūkšniais atskiriamas klausytojo reakcijas trumpiems atliepimams ir persidengiančiam dialogui bei nurodo Flash TTS kaip tinkamiausią 3.8 versiją didesniam kalbos persidengimui. Tokios reakcijos turi būti pakankamai trumpos, kad klausytojas vis tiek suprastų pagrindinę repliką.
Gamintojas nurodo 130 Flash TTS palaikomų kalbų ir pabrėžia regioninių bei mažumų tarmių aprėptį. Regioninio atlikimo užduotis naudinga lokalizuotos garsinės knygos veikėjui ar pasakojimui, kurio akcentas svarbus auditorijai. Paruoškite scenarijų galutine kalba, nuosekliai rašydami pasikartojančius vardus bei pavadinimus ir sąmoningai parinkdami santrumpų bei skaičių skaitymą. Redakcinę klausymo peržiūrą pradėkite nuo ištraukų su sudėtingais vardais, tarmės pokyčiais ar emociniais perėjimais. Pageidaujamą akcentą ir tempą reikia įvertinti sugeneruotame balse, o ne numanyti vien iš kalbos žymos.
3.8 išvesties vadove atskiriami užbaigti failai ir srautu perduodamas garsas. Užbaigtos užklausos numatytoji išvestis yra WAV failas su RIFF antrašte: 24 kHz, monofoninis, 16 bitų PCM su ženklu ir little-endian baitų tvarka. Numatytoji srautinė išvestis yra neapdorotas tiesinis PCM be antraštės su tokiomis pačiomis mėginių savybėmis. Taip pat dokumentuoti neapdoroto tiesinio PCM, mu-law ir A-law kodavimo pasirinkimai. Rengdami atkūrimą ar importuodami rezultatą į redagavimo programą naudokite tikrąją kodavimo informaciją. Atskirų dialogo failų sekai išlaikykite vienodus formatus ir patikrinkite sujungimus, ar nėra staigių lygio, tempo ar patalpos fono pokyčių.
Būtent šio Google modelio puslapyje nurodytos Gemini API teikimo ribos — 8 192 įvesties žetonų ir 16 384 išvesties žetonų. Tai žetonų ribos, o ne fiksuota garsinės knygos trukmė ar tikslus kalbos sekundžių skaičius. Ilgus scenarijus dalykite prasmingose vietose ir per visas dalis išsaugokite pasirinktą balso tapatybę. Rengdami skyriaus apimties įrašą, tikrinkite tęstinumą pastraipų ir scenų sandūrose, taip pat žodžių tikslumą kiekviename segmente. Gera praktinė peržiūra užfiksuoja, kurioms eilutėms reikia tarimo ar vaidybos pataisų, užuot po kiekvieno bandymo perrašius visą balso užduotį.
Flash TTS ir Flash-Lite TTS naudoja tą pačią 3.8 paruošimo struktūrą, todėl versiją galima pasirinkti pagal darbo poreikius. Flash TTS akcentuoja vaidybą, sudėtingą dialogą, sunkų tarimą ir platesnę tarmių aprėptį; Flash-Lite akcentuoja įprasto sakytinio turinio gamybos našumą. Išraiškos valdikliai skirti žmogaus kalbai ir balso įvykiams. Foninius efektus, muziką ir galutinį garso suvedimą galima planuoti kaip atskirus išteklius. Scenarijaus rašymas, vertimas ir įrašytos kalbos atpažinimas lieka atskiri etapai aplink šį tekstą garsu paverčiantį modelį.
POST /v1/audio/speechtextaudio| Laukas | Tipas | Reikalavimas | Reikšmės ir ribos | Numatyta |
|---|---|---|---|---|
Laukasmodel | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos google/gemini-3.8-flash-tts | Numatyta— |
Laukasinput | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Mažiausias ilgis: 1 | Numatyta— |
Laukasvoice | Tipasstring | ReikalavimasPrivaloma | Reikšmės ir ribos Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callirrhoe, Autonoe, Enceladus, Iapetus, Umbriel, Algieba, Despina, Erinome, Algenib, Rasalgethi, Laomedeia, Achernar, Alnilam, Schedar, Gacrux, Pulcherrima, Achird, Zubenelgenubi, Vindemiatrix, Sadachbia, Sadaltager, Sulafat Mažiausias ilgis: 1 | Numatyta— |
Laukasresponse_format | Tipasstring | ReikalavimasNeprivaloma | Reikšmės ir ribos mp3, pcm | Numatytapcm |
Laukasprovider | Tipasobject | ReikalavimasNeprivaloma | Reikšmės ir ribos | Numatyta— |
| Parametras | Specifikacija |
|---|---|
Parametrascontent_type | Specifikacijaapplication/json |
Parametrasrequired | Specifikacijamodel, input, voice |
Parametrasmaterial_types | Specifikacijatext |
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}
Tarifų informacija neprideda užklausos parinkčių. Palaikomi parametrai nurodyti prie pasirinkto metodo.
Kiekvieną mokestį susiekite su nurodytomis sąlygomis. Kiekvienam alternatyvių konfigūracijų rinkiniui taikykite vieną įkainį.
| Konfigūracija | Įkainių lentelė | Apskaitos vienetas | Mokestis |
|---|---|---|---|
| KonfigūracijaBaziniai žetonų įkainiai | Įkainių lentelėBazinis įkainis | Apskaitos vienetas— | Mokestis Įvestis · Įvesties tokenai — / 1K tokenų Išvestis · Išvesties tokenai — / 1K tokenų Įvestis · Talpyklos skaitymas — / 1K tokenų Įvestis · Rašymas į talpyklą — / 1K tokenų Įvestis · Rašymas į talpyklą, 1 val — / 1K tokenų |
| Konfigūracijaįvesties žetonas | Įkainių lentelė— | Apskaitos vienetas/ 1K tokenų | Mokestis Įvestis $0.001 / 1K tokenų |
| Konfigūracijaišvesties žetonas | Įkainių lentelė— | Apskaitos vienetas/ 1K tokenų | Mokestis Išvestis $0.018 / 1K tokenų |
Ailoot prieš užklausą rezervuoja numatomą sumą. Gavus rezultatą, galutinis mokestis nuskaitomas pagal išmatuotą naudojimą. Srautinio atsakymo atsiskaitymui naudojamas galutinis naudojimo įrašas. Kaip veikia rezervavimas ir atsiskaitymas →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'google/gemini-3.8-flash-tts', 'input': '${ACTUAL_INPUT_TEXT}', 'voice': 'Zephyr'}\nrequest['input']=os.environ['AILOOT_INPUT_TEXT']\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nVisas dvejetainis garsas arba pradinis audio_url atsakymas, antraštės ir kiekvienas jums priklausantis išteklius.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nIšsaugokite kiekvieną visą grąžintą atsakymą, failą ir turinio dalį.
Išsaugokite visą atsakymą ir antraštes, visus faktiškai gautus rezultatus, pradinius grąžintus identifikatorius ir visus naudojimo apskaitos laukus. Atkurkite prieigą prie pradinės operacijos pakartotinai neteikdami kūrimo užklausos.
Išsaugokite grąžintą X-Client-Request-ID duomenims sutikrinti. Tikrinkite tik faktiškai grąžintas task_id/asset_id reikšmes arba jums priklausančią medijos biblioteką; niekada nekurkite užduoties URL iš operacijos ID ir niekada pakartotinai neteikite kūrimo užklausos.
Ailoot Ultra google/gemini-3.8-flash-tts
Naudokite aukščiau nurodytus metodų kelius.