Gemini 3.8 Flash Tts

Model mowy Google do ekspresyjnej syntezy mowy, audiobooków i dialogów ze sterowaniem głosem oraz obsługą 130 języków.

Ailoot · Synteza mowy POST /v1/audio/speech gemini-3.8-flash-tts

O modelu

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

Gemini 3.8 Flash TTS służy do ekspresyjnej syntezy mowy i długiej narracji. Google podkreśla audiobooki, dialogi z kilkoma mówcami i stabilność głosu w długich fragmentach. Sterowanie mową obejmuje emocjonalną interpretację, rytm i wymowę, w tym regionalne akcenty i dialekty.

Głosy i języki

Dla modelu zadeklarowano 130 języków, w tym rosyjski. Dostępne są 30 gotowych głosów, rozszerzona biblioteka, tworzenie tożsamości głosowej na podstawie opisu i odtwarzanie głosu na podstawie próbki. Możliwości te pozwalają dobierać barwę i charakter wykonania do konkretnego materiału.

Wypowiedzi w dialogu są powiązane z mówcami. Jedno żądanie z kilkoma mówcami może używać najwyżej dwóch gotowych głosów. Z głosami utworzonymi na podstawie opisu lub próbki wypowiedzi są syntetyzowane osobno; dostępność takiego głosu nie czyni go kolejnym gotowym głosem w żądaniu wielogłosowym.

Tekst i sterowanie wypowiedzią

Wejściem jest tekst, a wyjściem — dźwięk. Limity wynoszą 8 192 tokeny wejściowe i 16 384 tokeny wyjściowe. Tekst jest traktowany jako wypowiadana kwestia; opis stylu i wybrany mówca są określani osobno. Pozwala to oddzielić słowa, które mają zostać wypowiedziane, od instrukcji dotyczących sposobu ich odczytania.

Styl obejmuje emocje, tempo, głośność i prozodię. Krótkie zdarzenia — śmiech, westchnienie, pauza — określa się specjalnymi znacznikami audio w wypowiedzi. Znaczniki te sterują wykonaniem i nie są zwykłymi słowami do odczytania.

Formaty dźwięku i możliwości

Przy zwykłym generowaniu domyślnie zwracany jest WAV. Dla transmisji strumieniowej domyślnie używany jest PCM bez nagłówka. Pierwotne parametry to 24 kHz, jeden kanał i 16 bitów. Przewidziano również PCM, mu-law i A-law. Obsługiwane są buforowanie kontekstu i przetwarzanie wsadowe. Konkretny format pliku i dostępne ustawienia zależą od wybranej metody mowy.

Model specjalizuje się w tworzeniu mowy. Wywoływanie funkcji, wykonywanie kodu, wyszukiwanie w plikach, ugruntowanie w wynikach wyszukiwania, Google Maps, generowanie obrazów, ustrukturyzowane odpowiedzi tekstowe, Thinking i treść adresów internetowych nie są obsługiwane. Stabilny głos i regulowana ekspresyjność są deklarowanymi kierunkami modelu, a nie obietnicą idealnej wymowy każdej kwestii.

Ailoot · Synteza mowy POST /v1/audio/speech gemini-3.8-flash-tts

gemini-3.8-flash-tts

Google /gemini-3.8-flash-tts

Start

Model mowy Google do ekspresyjnej syntezy mowy, audiobooków i dialogów ze sterowaniem głosem oraz obsługą 130 języków.

Akceptowane dane wejściowe: Tekst
Wyniki: Audio

Dostępne w Ailoot · dane wejściowe i metody

Ailoot · Synteza mowy POST /v1/audio/speech

Wejście: text
Wyjście: audio
Kontekst: 8192 tokens
Maksymalny wynik: 16 384 tokens
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-3.8-flash-tts	Domyślnie—
Pole`input`	Typ`string`	WymaganieWymagane	Wartości i limity Minimalna długość: 1	Domyślnie—
Pole`voice`	Typ`string`	WymaganieOpcjonalne	Wartości i limity 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	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: 0,0005 USD / 1K
Wyjście: 0,009 USD / 1K
Odczyt cache: 0,000125 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-3.8-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

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-3.8-flash-tts

Aliasy ścieżek metod

Użyj ścieżek metod podanych powyżej.

Powiązane ID modeli

gemini-3.8-flash-tts

FAQ · Gemini 3.8 Flash Tts

Jakie dane wejściowe i wyniki są dostępne?: POST /v1/audio/speech · gemini-3.8-flash-tts: text → audio
Jakich pól używa żądanie?: POST /v1/audio/speech · gemini-3.8-flash-tts: model, input, voice, response_format, stream_format
Jakie limity obowiązują?: POST /v1/audio/speech · gemini-3.8-flash-tts: ctx: 8192; max_out: 16384

Gemini 3.8 Flash Tts