Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview ialah edisi teks ke pertuturan keluarga Gemini 3.1 Flash Audio. Ia menerima teks dan menghasilkan audio pertuturan dengan ekspresi yang diarahkan prom. Google menerangkan generasi ini sebagai penambahbaikan yang menjadikan pertuturan lebih semula jadi serta meningkatkan kebolehkawalan dan prestasi berbilang bahasa, dengan dialog berbilang penutur secara asal serta lebih daripada 70 bahasa. Kegunaan praktikal ialah pelajaran bernarasi ringkas, pertukaran dialog watak atau petikan lisan yang penyampaiannya sama penting dengan ungkapannya.

Sediakan skrip lengkap dan taklimat persembahan. Generasi ini menggunakan arahan bahasa semula jadi dalam input teks untuk membimbing gaya vokal, rentak dan penyampaian. Keluaran Google memperkenalkan arahan adegan untuk menetapkan situasi, Audio Profiles penutur untuk mentakrif watak dan Director’s Notes untuk membimbing rentak, nada serta loghat. Pastikan bahagian itu dapat dikenal pasti semasa menyediakan prom supaya kata-kata yang dimaksudkan dan arahan persembahan boleh disemak secara bebas. Taklimat padat lebih mudah dipinda daripada beberapa huraian bersaing bagi suara sama.

Contohnya, taklimat latihan asal boleh menerangkan narator tenang yang menjelaskan bahan pameran muzium, dengan ungkapan bertempo terkawal dan nada lebih mesra pada ayat akhir. Skrip yang mengiringinya perlu mengandungi nama sebenar bahan pameran dan ungkapan tepat yang perlu disuarakan. Untuk dialog, berikan watak profil berbeza dan urutan giliran jelas. Gunakan konteks adegan untuk menerangkan sama ada seorang penutur menenangkan yang lain, bertanya soalan ikhlas atau membalas dengan kejutan terkawal. Artifak terjana yang perlu dinilai ialah persembahan skrip tersebut yang boleh didengar.

Tag audio sebaris menambah kawalan setempat dalam teks, membolehkan ekspresi penutur berubah dalam ayat daripada bergantung sepenuhnya pada arahan pembukaan. Google menerangkan tag sebagai kawalan gaya vokal, rentak dan penyampaian. Gunakannya apabila persembahan memerlukan perubahan tertentu dan kekalkan ungkapan lain semula jadi untuk dituturkan. Perbezaan berguna edisi ini ialah antara taklimat watak atau adegan aras tinggi dengan perubahan penyampaian setempat. Petikan neutral ringkas boleh menetapkan suara asas sebelum skrip menambah arahan emosi.

Untuk kerja berbilang bahasa, bekalkan skrip dalam bahasa akhir dan nyatakan loghat serta gaya pertuturan yang dikehendaki dalam taklimat. Pengumuman Google mendokumenkan sokongan lebih daripada 70 bahasa. Sebagai persediaan editorial praktikal, gunakan satu ejaan konsisten bagi nama berulang, kembangkan singkatan kabur apabila satu bacaan diperlukan dan semak nombor dalam hasil lisan. Label bahasa sahaja tidak menentukan cara nama jenama atau istilah pinjaman perlu dibunyikan. Bandingkan petikan yang mengandungi istilah itu dengan bacaan yang dimaksudkan sebelum menerima narasi panjang.

Halaman model Gemini API khusus menyenaraikan had input 8,192 token dan had output 16,384 token bagi model pratonton ini. Kad model TTS asal DeepMind pula menyenaraikan input teks sehingga 16K token dan output audio 32K token; angka kad model itu berbeza daripada had penyajian Gemini API. Kira arahan persembahan serta skrip sebagai sebahagian input yang disediakan. Peruntukan output dinyatakan dalam token audio, jadi ia tidak menjamin tempoh rakaman tertentu. Susun pelajaran atau cerita panjang kepada bahagian koheren, kekalkan taklimat watak sama dan dengarkan sambungannya. Untuk dialog berskrip, semak atribusi serta turutan giliran selain perkataan dituturkan dan penyampaian emosi.

Dokumentasi migrasi Google mengenal pasti output lalai 3.1 sebagai PCM mentah tanpa pengepala dengan jenis audio/l16. Bait audio memerlukan maklumat main balik atau bekas yang sesuai semasa menyediakan rakaman boleh sunting; menambah nama fail WAV sahaja tidak menghasilkan pengepala WAV. Semak format sebenar yang dikembalikan sebelum mengimport hasil. Google turut menyatakan bahawa audio terjana Gemini 3.1 Flash TTS mempunyai tera air SynthID yang tidak dapat dikesan oleh deria. Tera air berkaitan pengenalpastian audio terjana dan tidak menggantikan transkrip, label penutur atau semakan pendengaran.

Gaya penyediaan 3.1 berbeza dengan ketara daripada 3.8. Gemini 3.8 memindahkan arahan berterusan dan identiti penutur ke metadata pertuturan berstruktur, menggunakan tag berkurungan sudut untuk peristiwa pada titik tertentu serta menukar lalai permintaan lengkap kepada WAV. Kekalkan prom 3.1 sebagai prom 3.1 daripada mencampurkan struktur permintaan lebih baharu itu. Jadual model disokong Google menyenaraikan sintesis satu dan berbilang penutur bagi 3.1, manakala kawalan suara rekaan serta replikasi suara tergolong dalam entri 3.8. Edisi Flash Live berasingan mengendalikan input audio interaktif; edisi TTS ini menyediakan produksi teks ke audio yang disiapkan.

Semak rakaman berdasarkan skrip bertulis untuk perkataan tertinggal atau berulang, nama, pemasaan giliran dan perubahan emosi yang dimaksudkan. Jika satu ayat memerlukan penekanan berbeza, pinda arahan setempat itu dan semak peralihan terjejas. Aliran kerja ini menjadikan taklimat persembahan berguna: ia merekodkan perkara tentang penutur yang perlu kekal stabil dan perkara yang perlu berubah dalam petikan itu, manakala skrip mengekalkan kandungan yang perlu didengar khalayak.