Google: Gemini 3.8 Flash Lite TTS

Google Gemini 3.8 Flash-Lite TTS er modellen for høy produksjonskapasitet i Googles 3.8-familie for tekst til tale. Den tar imot et skrevet manus og produserer talt lyd. Google fremhever høytlesingsfunksjoner, vanlig fortellerstemme med én taler, lydproduksjon i stort volum og taleutgangen i systemer med stemmeagenter. Et nyttig resultat er en artikkel lest med en gjennomgående stemme, en muntlig produktforklaring eller en serie korte instruksjonsopptak. Manuset bør allerede inneholde ordene lytteren skal høre.

3.8-familien skiller teksten som skal sies, fra instruksjonene for fremføringen. Behold den talte teksten ordrett, og legg vedvarende følelse, tempo, volum eller fremføringsstil i talens metadata. En varm innledning, en presserende instruksjon og en rolig avslutning kan hver ha en kort stilbeskrivelse knyttet til sin egen replikk. Tekst som «Si det muntert» inne i manuset kan selv bli lest opp. Talernavn hører hjemme i talermetadata, ikke som etiketter i det hørbare manuset. Denne forberedelsen er særlig viktig ved gjenbruk av instrukser skrevet for Gemini 3.1 Flash TTS.

Bruk tagger i vinkelparenteser i teksten for korte hendelser på et bestemt sted: et pust, en latter, et host, et sukk eller en pause. Manuset «Neste trinn er enkelt. <short pause> Velg språket du foretrekker.» plasserer for eksempel pausen ved ordene den gjelder. Legg en vedvarende hviskende fremføring i stilbeskrivelsen i stedet for å gjenta hendelsestagger. Google anbefaler engelske taggnavn også for manus på andre språk. Disse kontrollene styrer stemmen; et applausspor eller en dør som smeller, krever separat lydproduksjon fremfor en tagg for en lyd fra stemmen.

Google oppgir 101 støttede språk for denne utgaven, blant annet engelsk, russisk, kinesisk, japansk, koreansk, fransk, tysk, spansk, indonesisk og vietnamesisk. Skriv det ferdige manuset på ønsket språk, med ønsket form på navn, forkortelser og tall. Som redaksjonell forberedelse bør en tvetydig forkortelse eller den tilsiktede lesemåten for et tall skrives helt ut når lytteren må høre én bestemt form. Lytt til et innledende avsnitt med de vanskelige navnene og overgangene før et langt opptak regnes som ferdig. Et antall språk gjør ikke alle regionale uttaler innbyrdes utskiftbare.

Produsenten støtter ferdige stemmer, et utvidet stemmebibliotek, utformede stemmepersonaer og stemmereplikering. Velg stemmeidentiteten separat fra midlertidige instruksjoner for skuespill. Gjenbruk identiteten og en kort fremføringsbeskrivelse på tvers av avsnitt når fortellerstemmen skal være konsekvent. I den dokumenterte konfigurasjonen med to talere skal hver replikk ha en eksplisitt taler som samsvarer med en av de to konfigurerte ferdige stemmene. Googles veiledning håndterer scener med flere figurer og utformede eller replikerte stemmer ved å generere de enkelte replikkene. Dette skillet er viktig ved planlegging av en dialog fremfor én forteller.

For vanlige fullførte forespørsler angir Googles 3.8-veiledning WAV-lyd med RIFF-header og 24 kHz mono, 16-bits PCM med fortegn og little-endian-byteorden. Strømmekonfigurasjonen returnerer som standard rå PCM-blokker uten header; veiledningen dokumenterer også valg for rå lineær PCM, mu-law og A-law. Tilpass innstillingene for avspilling eller redigering til det faktiske utdataformatet. Å gi rå PCM uten header en WAV-filendelse tilfører ikke informasjonen som filbeholderen trenger. Når separat genererte replikker settes sammen, må lydformatet holdes konsekvent, og hver fullstendige WAV må behandles som en fil med sin egen header.

Den konkrete modellsiden oppgir Gemini API-grenser på 8192 inndatatokener og 16384 utdatatokener. Lydtokener uttrykker ikke et fast antall sekunder med tale. Del langt materiale inn i meningsfulle avsnitt, behold samme stemme og stilinstruks, og lytt til skjøtene. Dette er produsentens dokumenterte tjenestegrenser for modellen; de beskriver en annen størrelse enn et generelt kontekstfelt i katalogen. Tekst er inndata og lyd er utdata, så manusarbeid, oversettelse og transkripsjon er separate forberedelser eller etterfølgende oppgaver.

Flash-Lite deler 3.8-strukturen for forespørsler med Gemini 3.8 Flash TTS. Det praktiske valget gjelder fremføringen som trengs: Flash-Lite retter seg mot rask, gjentatt produksjon, mens Flash TTS er det kreative nivået for vanskelig uttale, nyansert skuespill og bredere dialektdekning. En vanlig hjelpeartikkel og en dramatisk scene med to figurer stiller ulike krav til stemmen. Kontroller det faktiske opptaket for utelatte eller gjentatte ord, uttale, tempo og hørbare endringer mellom segmenter før det brukes i den endelige lytteopplevelsen.