Gemini 3.1 Flash Tts Preview

Model mowy Google do odczytywania tekstu ze sterowaniem sposobem narracji i ekspresyjnymi znacznikami audio.

Ailoot · Synteza mowy POST /v1/audio/speech gemini-3.1-flash-tts-preview

O modelu

Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.

Gemini 3.1 Flash TTS Preview przekształca tekst w mowę. Służy naturalnie brzmiącej syntezie mowy ze sterowaniem narracją za pomocą instrukcji tekstowych. Sposób wypowiedzi można określać wraz z instrukcjami dotyczącymi mowy, a ekspresyjne znaczniki audio pomagają uzyskać potrzebną interpretację.

Tekst staje się dźwiękiem

Wejściem tego modelu jest tekst, a wyjściem — nagranie dźwiękowe. Maksymalna objętość wejścia wynosi 8 192 tokeny, a wyjścia — 16 384 tokeny. Model służy syntezie mowy na podstawie przygotowanego tekstu; nie jest zwykłym modelem do odpowiedzi tekstowej ani transkrypcji przekazanego nagrania.

Przewidziano odczyt jednym głosem i dialogi z kilkoma mówcami. Sterowanie wypowiedzią opiera się na instrukcjach: można opisać charakter czytania i ekspresyjność kwestii. Dla powtarzających się zadań mowy producent wskazuje generowanie wsadowe.

Format wyniku i specjalizacja

Pierwotny format zwykłej odpowiedzi to PCM bez nagłówka WAV. Jest to istotna cecha tej konkretnej wersji wstępnej: nie można automatycznie uznawać zwracanych bajtów za gotowy plik WAV.

Karta modelu nie deklaruje buforowania kontekstu, wykonywania kodu, wyszukiwania w plikach, wywoływania funkcji, ugruntowania w wynikach wyszukiwania, Google Maps, generowania obrazów, ustrukturyzowanych odpowiedzi tekstowych, Thinking ani odczytywania treści adresów internetowych. Synteza mowy jest wyspecjalizowanym zadaniem wyjściowym modelu; możliwości modeli tekstowych nie przenoszą się na niego.

Wersja wstępna

gemini-3.1-flash-tts-preview należy do wcześniejszych wstępnych wersji modeli mowy. Sposoby sterowania głosem i format dźwięku należy rozpatrywać osobno od późniejszych modeli TTS. Dla tej wersji nie zadeklarowano tworzenia nowej tożsamości głosowej ani odtwarzania głosu na podstawie próbki; karta nie podaje dokładnej liczby obsługiwanych języków.

Opisane możliwości dotyczą samego modelu. Konkretny sposób przekazywania tekstu, ustawień mówców i uzyskiwania pliku dźwiękowego zależy od obsługiwanej metody mowy.

Ailoot · Synteza mowy POST /v1/audio/speech gemini-3.1-flash-tts-preview

gemini-3.1-flash-tts-preview

Google /gemini-3.1-flash-tts-preview

Start

Model mowy Google do odczytywania tekstu ze sterowaniem sposobem narracji i ekspresyjnymi znacznikami audio.

Akceptowane dane wejściowe: Tekst
Wyniki: speech

Dostępne w Ailoot · dane wejściowe i metody

Ailoot · Synteza mowy POST /v1/audio/speech

Wejście: text
Wyjście: speech
Format wyjściowy: bajty dźwięku w formacie natywnym lub odnośniki do zasobów w JSON

Pole	Typ	Wymaganie	Wartości i limity	Domyślnie
Pole`model`	Typ`string`	WymaganieWymagane	Wartości i limity gemini-3.1-flash-tts-preview	Domyślnie—
Pole`input`	Typ`string`	WymaganieWymagane	Wartości i limity Minimalna długość: 1	Domyślnie—
Pole`voice`	Typ`string`	WymaganieOpcjonalne	Wartości i limity Kore	DomyślnieKore
Pole`response_format`	Typ`string`	WymaganieOpcjonalne	Wartości i limity , wav, json	Domyślnie
Pole`stream_format`	Typ`string`	WymaganieOpcjonalne	Wartości i limity audio	Domyślnie—

Kombinacje materiałów wejściowych

text_to_speech · Wymagane: input

Parametry i cykl życia metody

Parametr	Kontrakt
Parametr`material_types`	Kontrakttext
Parametr`required`	Kontraktnull
Parametr`optional_controls`	Kontraktnull

Cykl życia: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · Rzeczywiście zwrócony task_id lub wpis w bibliotece multimediów

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Struktury metod i ID są dokładne; możliwości dostawcy są odrębne od dopuszczenia żądania.

Cennik

Stawki metod Ailoot

Ailoot Synteza mowyPOST /v1/audio/speech

Wejście: 0,001 USD / 1K
Wyjście: 0,02 USD / 1K

Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →

Przykładowe żądania

Ailoot · Synteza mowy

Przykład mowy

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-3.1-flash-tts-preview", "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

Odbieranie i zapisywanie wyników

Ailoot · Synteza mowy

bajty dźwięku w formacie natywnym lub odnośniki do zasobów w JSON

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Zachowaj wszystkie ukończone wyniki

Zachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.

Pojedynczy wynik domyślnie zwracany jest jako natywne bajty dźwięku z rzeczywistym Content-Type; przy response_format=json lub wielu wynikach zwracane są wszystkie odnośniki należące do użytkownika. Żądana konwersja do MP3/Opus/AAC/FLAC/PCM oraz SSE nie są obsługiwane.

Jeśli trzeba sprawdzić pierwotną odpowiedź

Zachowaj pierwotny operation_id/X-Client-Request-ID do uzgodnienia danych bez ponownego wysyłania żądania; brak osobnej ścieżki API do cyklicznego sprawdzania stanu audio.

Pola odpowiedzi

Pole	Typ
Pole`binary native audio`	Typbytes
Pole`model`	Typstring
Pole`response_id`	Typstring
Pole`actual_count`	Typinteger
Pole`data[]`	Typowned audio asset link

Błędy i dalsze kroki

Odpowiedź	Warunek	Następny krok
Odpowiedź400 · `invalid_request_error`	WarunekNieprawidłowe wymagane pola, sposób reprezentacji materiału lub wartość parametru	Następny krokPopraw wskazane pola przed nowym żądaniem utworzenia.
Odpowiedź`server_error`	WarunekZwrócona odpowiedź wskazuje, że operacja lub wynik wymaga sprawdzenia	Następny krokZachowaj pierwotnie zwrócony identyfikator operacji lub zadania, nagłówki żądania i odpowiedź; kontynuuj obsługiwane odczyty tej pierwotnej operacji. Nie wysyłaj ponownie żądania utworzenia.

Aliasy

Aliasy modelu

Ailoot gemini-3.1-flash-tts-preview

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

gemini-3.1-flash-tts-preview

FAQ · Gemini 3.1 Flash Tts Preview

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/audio/speech · gemini-3.1-flash-tts-preview: text → speech
Jakich pól używa żądanie?: POST /v1/audio/speech · gemini-3.1-flash-tts-preview: model, input, voice, response_format, stream_format

Gemini 3.1 Flash Tts Preview