Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview er tekst-til-tale-utgaven av Gemini 3.1 Flash Audio-familien. Den tar imot tekst og produserer tale med uttrykk styrt av instruksen. Google beskriver denne generasjonen som en forbedring i talens naturlighet, styrbarhet og flerspråklig ytelse, med innebygd dialog mellom flere talere og mer enn 70 språk. Et praktisk bruksområde er en kort fortalt leksjon, en samtale mellom figurer eller en muntlig passasje der fremføringen betyr like mye som ordlyden.

Forbered et ferdig manus og en instruks for fremføringen. Denne generasjonen bruker instruksjoner på naturlig språk i tekstinndataene for å styre stemmestil, tempo og fremføring. Googles lansering innfører sceneinstruksjoner for å etablere situasjonen, talernes lydprofiler for å definere figurer og reginotater for å styre tempo, tone og aksent. Hold disse delene tydelig identifiserbare når instruksen forberedes, slik at de tiltenkte ordene og fremføringsinstruksjonene kan vurderes hver for seg. En knapp instruks er enklere å revidere enn flere konkurrerende beskrivelser av samme stemme.

En original instruks til en prøveinnspilling kan for eksempel beskrive en rolig forteller som forklarer en museumsutstilling, med avmålt frasering og varmere tone i siste setning. Det tilhørende manuset bør inneholde utstillingens faktiske navn og den nøyaktige ordlyden som skal sies. Gi figurene ulike profiler og en tydelig rekkefølge av replikker ved en dialog. Bruk scenekonteksten til å forklare om én taler beroliger den andre, stiller et oppriktig spørsmål eller svarer med behersket overraskelse. Leveransen som skal vurderes, er den hørbare fremføringen av manuset.

Lydtagger i teksten gir lokal styring, slik at uttrykket til en taler kan endres inne i en setning fremfor å avhenge helt av innledningsinstruksen. Google beskriver taggene som kontroller for stemmestil, tempo og fremføring. Bruk dem der fremføringen trenger en bestemt endring, og hold resten av ordlyden naturlig å si. Det nyttige skillet i denne utgaven er mellom den overordnede instruksen for figur eller scene og den lokale endringen i fremføringen. En kort nøytral passasje kan etablere grunnstemmen før manuset legger til mer følelsesstyring.

Ved flerspråklig arbeid oppgir du manuset på det endelige språket og angir ønsket aksent og talestil i instruksen. Googles kunngjøring dokumenterer støtte for mer enn 70 språk. Som praktisk redaksjonell forberedelse bør gjentatte navn ha konsekvent stavemåte, tvetydige forkortelser skrives helt ut når én lesemåte kreves, og tall kontrolleres i det talte resultatet. En språketikett alene avgjør ikke hvordan et merkenavn eller lånord skal høres ut. Sammenlign passasjene med disse termene med den tiltenkte lesemåten før en lang fortellerinnspilling godtas.

Den konkrete Gemini API-modellsiden oppgir en inndatagrense på 8192 tokener og en utdatagrense på 16384 tokener for denne forhåndsversjonen av modellen. DeepMinds opprinnelige TTS-modellkort oppgir separat tekstinndata på opptil 16K tokener og lydutdata på 32K tokener; disse tallene fra modellkortet må skilles fra Gemini APIs tjenestegrenser. Regn fremføringsinstruksjonene som del av de forberedte inndataene sammen med manuset. Utdatarammen uttrykkes i lydtokener og garanterer derfor ikke en bestemt opptakslengde. Del en lang leksjon eller fortelling i sammenhengende avsnitt, behold samme figurinstruks, og lytt til skjøtene. Ved manusbasert dialog kontrollerer du talertilordning og rekkefølgen på replikkene i tillegg til ordene og den følelsesmessige fremføringen.

Googles migreringsdokumentasjon identifiserer standardutdataene i 3.1 som rå PCM uten header med typen audio/l16. Lydbytene trenger riktig informasjon for avspilling eller filbeholder når et redigerbart opptak klargjøres; et WAV-filnavn alene skaper ikke en WAV-header. Kontroller det faktisk returnerte formatet før resultatet importeres. Google opplyser også at lyd generert av Gemini 3.1 Flash TTS har et umerkelig SynthID-vannmerke. Vannmerket gjelder identifikasjon av generert lyd og erstatter ikke en transkripsjon, taleretiketter eller en lyttekontroll.

Forberedelsesstilen for 3.1 skiller seg vesentlig fra 3.8. Gemini 3.8 flytter vedvarende instruksjoner og taleridentitet til strukturerte talemetadata, bruker tagger i vinkelparenteser for korte hendelser og endrer standardutdata for fullførte forespørsler til WAV. Behold en 3.1-instruks som en 3.1-instruks fremfor å blande inn den nyere forespørselsstrukturen. Googles tabell over støttede modeller oppgir syntese med én eller flere talere for 3.1, mens kontrollene for utformede stemmer og stemmereplikering tilhører 3.8-oppføringene. Den separate Flash Live-utgaven håndterer interaktive lydinndata; denne TTS-utgaven brukes til forberedt produksjon fra tekst til lyd.

Kontroller opptaket mot det skrevne manuset for utelatte eller gjentatte ord, navn, tidsplassering av replikker og de tiltenkte følelsesendringene. Hvis én setning trenger en annen betoning, reviderer du den lokale instruksen og undersøker den berørte overgangen. Denne arbeidsflyten gjør fremføringsinstruksen nyttig: den dokumenterer hva som skal forbli stabilt ved taleren, og hva som skal endres i passasjen, mens manuset bevarer innholdet publikum trenger å høre.