Gemini 3.8 Flash Tts
En talemodell fra Google for uttrykksfull opplesning, lydbøker og dialoger, med stemmestyring og støtte for 130 språk.
Om modellen
Denne beskrivelsen dekker modellens funksjoner. Tilgjengelige inndata, utdata og alternativer i Ailoot er oppført nedenfor for den valgte metoden.
Gemini 3.8 Flash TTS er laget for uttrykksfull opplesning og lange fortellinger. Google fremhever lydbøker, dialoger med flere talere og stabil stemme over lengre utsnitt. Talestyringen omfatter følelsesuttrykk, rytme og uttale, inkludert regionale aksenter og dialekter.
Stemmer og språk
130 språk er oppgitt for modellen, inkludert russisk. 30 ferdige stemmer, et utvidet bibliotek, oppretting av en stemmeprofil fra en beskrivelse og gjengivelse av en stemme fra en prøve er tilgjengelig. Dette gjør det mulig å velge klang og fremføringsstil for det konkrete materialet.
Dialogreplikkene knyttes til talerne. Én forespørsel med flere talere kan bruke høyst to ferdige stemmer. Med stemmer laget fra en beskrivelse eller prøve syntetiseres replikkene separat; en slik stemme blir ikke dermed en ekstra ferdig stemme i en forespørsel med flere stemmer.
Tekst og styring av fremføringen
Inndata er tekst, og utdata er lyd. Grensene er 8 192 inndatatokener og 16 384 utdatatokener. Teksten behandles som replikken som skal uttales; stilbeskrivelsen og valgt taler angis hver for seg. Dermed skilles ordene som skal høres, fra instruksjonene om hvordan de skal leses.
Stilen omfatter følelser, tempo, lydstyrke og prosodi. Korte hendelser som latter, sukk og pauser angis med spesielle lydtagger i replikken. Taggene styrer fremføringen og er ikke vanlige ord som skal leses.
Lydformater og funksjoner
Ved vanlig generering returneres WAV som standard. For strømming brukes PCM uten header som standard. De opprinnelige parameterne er 24 kHz, én kanal og 16 bit. PCM, mu-law og A-law er også tilgjengelig. Mellomlagring av kontekst og satsvis behandling støttes. Det konkrete filformatet og tilgjengelige innstillinger avhenger av valgt talemetode.
Modellen er spesialisert på å lage tale. Funksjonskall, kjøring av kode, søk i filer, søkeforankring, Google Maps, bildegenerering, strukturerte tekstsvar, Thinking og innhold fra nettadresser støttes ikke. Stabil stemme og justerbart uttrykk er modellens oppgitte mål, ikke et løfte om perfekt uttale av hver replikk.
Ailoot · Talesyntese POST /v1/audio/speech gemini-3.8-flash-tts
gemini-3.8-flash-ttsStart
En talemodell fra Google for uttrykksfull opplesning, lydbøker og dialoger, med stemmestyring og støtte for 130 språk.
- Godkjente inndata
- Tekst
- Resultater
- Lyd
Tilgjengelig i Ailoot · inndata & metoder
Ailoot · Talesyntese POST /v1/audio/speech
- Inndatatyper
text- Utdatatyper
audio- Kontekst
- 8 192 tokens
- Maksimale utdata
- 16 384 tokens
- Utdataformat
- Lydbyte i det opprinnelige formatet eller JSON-lenker til ressurser
| Felt | Type | Krav | Verdier & grenser | Standard |
|---|---|---|---|---|
Feltmodel | Typestring | KravPåkrevd | Verdier & grenser gemini-3.8-flash-tts | Standard— |
Feltinput | Typestring | KravPåkrevd | Verdier & grenser Minste lengde: 1 | Standard— |
Feltvoice | Typestring | KravValgfritt | Verdier & grenser 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 | StandardKore |
Feltresponse_format | Typestring | KravValgfritt | Verdier & grenser , wav, json | Standard |
Feltstream_format | Typestring | KravValgfritt | Verdier & grenser audio | Standard— |
Kombinasjoner av inngående materialer
text_to_speech · Påkrevd: input
Metodeparametere og livssyklus
| Parameter | Avtale |
|---|---|
Parametermaterial_types | Avtaletext |
Parameterrequired | Avtalenull |
Parameteroptional_controls | Avtalenull |
Livssyklus: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · faktisk returnert task_id eller oppføring i mediebiblioteket
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
Metodestrukturer og ID-er er eksakte; leverandørens evne er adskilt fra godkjenning av forespørselen.
Priser
Satser for Ailoot-metoder
POST /v1/audio/speech- Inndata
- 0,0005 USD / 1K
- Utdata
- 0,009 USD / 1K
- Lesing fra hurtigbuffer
- 0,000125 USD / 1K
Ailoot reserverer et estimert beløp før en forespørsel. Etter resultatet gjøres det endelige beløpet opp basert på målt forbruk. Oppgjør for strømming bruker den endelige forbruksposten. Slik fungerer reservasjon og oppgjør →
Eksempelforespørsler
Ailoot · Talesyntese
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
Motta og lagre resultater
Ailoot · Talesyntese
Lydbyte i det opprinnelige formatet eller JSON-lenker til ressurser
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
Behold alle ferdige resultater
Behold alle fullstendige returnerte svar, filer og innholdsdeler.
Ett utdataelement bruker som standard lydbyte i det opprinnelige formatet med faktisk Content-Type; response_format=json eller flere utdataelementer returnerer alle lenker du eier. Ingen forespurt MP3/Opus/AAC/FLAC/PCM-konvertering eller SSE.
Hvis det opprinnelige svaret må kontrolleres
Bevar opprinnelig operation_id/X-Client-Request-ID for avstemming uten ny innsending; det finnes ingen egen rute for å spørre etter lydstatus.
Svarfelter
| Felt | Type |
|---|---|
Feltbinary native audio | Typebytes |
Feltmodel | Typestring |
Feltresponse_id | Typestring |
Feltactual_count | Typeinteger |
Feltdata[] | Typeowned audio asset link |
Feil og neste trinn
| Svar | Vilkår | Neste trinn |
|---|---|---|
Svar400 · invalid_request_error | VilkårUgyldige påkrevde felter, materialrepresentasjon eller parameterverdi | Neste trinnKorriger de angitte feltene før en ny opprettelsesforespørsel. |
Svarserver_error | VilkårDet returnerte svaret angir at operasjonen eller resultatet må kontrolleres | Neste trinnBevar den opprinnelige returnerte operasjons-/oppgave-ID-en, forespørselshodene og svaret; fortsett å lese den opprinnelige operasjonen på de støttede måtene. Ikke send opprettelsesforespørselen på nytt. |
Aliaser
Modellaliaser
Ailoot gemini-3.8-flash-tts
Aliaser for metodestier
Bruk metodestiene som vises ovenfor.
Tilknyttede anroper-ID-er
FAQ · Gemini 3.8 Flash Tts
- Hvilke inndata og resultater er tilgjengelige?
POST /v1/audio/speech·gemini-3.8-flash-tts:text→audio- Hvilke felt bruker forespørselen?
POST /v1/audio/speech·gemini-3.8-flash-tts:model,input,voice,response_format,stream_format- Hvilke grenser gjelder?
POST /v1/audio/speech·gemini-3.8-flash-tts:ctx:8192;max_out:16384