Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview to edycja syntezy mowy z rodziny Gemini 3.1 Flash Audio. Przyjmuje tekst i generuje nagrania mowy z ekspresją kierowaną promptem. Google opisuje tę generację jako ulepszenie naturalności mowy, sterowalności i jakości działania wielojęzycznego, z natywnym dialogiem wielu mówców i ponad 70 językami. Praktyczne zastosowanie to krótka lekcja z narracją, wymiana między postaciami lub wypowiedziany fragment, którego wykonanie jest równie ważne jak słowa.

Przygotuj gotowy scenariusz i opis wykonania. Ta generacja używa instrukcji w języku naturalnym wewnątrz wejścia tekstowego, aby kierować stylem głosu, tempem i sposobem wypowiedzi. Wydanie Google wprowadza wskazówki sceniczne ustalające sytuację, Audio Profiles mówców definiujące postacie i Director’s Notes kierujące tempem, tonem i akcentem. Przygotowując prompt, utrzymuj te części rozpoznawalne, aby można było osobno oceniać zamierzone słowa i instrukcje wykonania. Zwięzły opis łatwiej poprawiać niż kilka konkurujących opisów tego samego głosu.

Na przykład samodzielny opis próby może przedstawiać spokojnego narratora objaśniającego eksponat muzealny, z wyważonym frazowaniem i cieplejszym tonem w ostatnim zdaniu. Towarzyszący scenariusz powinien zawierać rzeczywiste nazwy eksponatu i dokładne sformułowania do wypowiedzenia. W dialogu nadaj postaciom odrębne profile i jasną kolejność tur. Użyj kontekstu sceny, aby wyjaśnić, czy jeden mówca uspokaja drugiego, zadaje szczere pytanie czy reaguje powściągliwym zaskoczeniem. Wygenerowanym rezultatem do oceny jest słyszalne wykonanie tego scenariusza.

Znaczniki audio w tekście dodają lokalne sterowanie, pozwalając zmieniać ekspresję mówcy w obrębie zdania zamiast polegać wyłącznie na wskazówce początkowej. Google opisuje znaczniki jako sterujące stylem wokalnym, tempem i sposobem wypowiedzi. Używaj ich tam, gdzie wykonanie wymaga określonej zmiany, a resztę tekstu zachowuj naturalną do wypowiedzenia. Przydatne rozróżnienie w tej edycji zachodzi między ogólnym opisem postaci lub sceny a lokalną zmianą wypowiedzi. Krótki neutralny fragment może ustalić bazowy głos, zanim scenariusz doda więcej wskazówek emocjonalnych.

Przy pracy wielojęzycznej dostarcz scenariusz w ostatecznym języku i określ pożądany akcent oraz styl mówienia w opisie. Ogłoszenie Google dokumentuje obsługę ponad 70 języków. W praktycznym przygotowaniu redakcyjnym stosuj jedną spójną pisownię powracających nazw, rozwijaj niejednoznaczne skróty, gdy wymagany jest jeden odczyt, i sprawdzaj liczby w wyniku mówionym. Samo oznaczenie języka nie rozstrzyga brzmienia nazwy marki lub zapożyczonego terminu. Porównaj fragmenty zawierające te terminy z zamierzonym odczytem przed zaakceptowaniem długiej narracji.

Dokładna strona modelu Gemini API podaje dla tego modelu preview limit wejścia 8,192 tokenów i limit wyjścia 16,384 tokenów. Natywna karta modelu TTS DeepMind osobno podaje wejście tekstowe do 16K tokenów i wyjście audio 32K tokenów; te wartości z karty modelu są odrębne od limitów obsługi Gemini API. Wlicz wskazówki wykonania do przygotowanego wejścia razem ze scenariuszem. Limit wyjścia jest wyrażony w tokenach audio, więc nie gwarantuje konkretnego czasu nagrania. Uporządkuj długą lekcję lub opowieść w spójne sekcje, zachowuj ten sam opis postaci i odsłuchuj łączenia. W dialogu według scenariusza sprawdzaj przypisanie i kolejność tur oprócz wypowiadanych słów i emocjonalnego wykonania.

Dokumentacja migracji Google wskazuje, że domyślne wyjście 3.1 to surowy PCM bez nagłówka o typie audio/l16. Przy przygotowaniu edytowalnego nagrania bajty audio wymagają odpowiednich informacji do odtwarzania lub kontenera; samo nadanie nazwy pliku WAV nie tworzy nagłówka WAV. Sprawdź rzeczywiście zwrócony format przed importem wyniku. Google stwierdza również, że audio generowane przez Gemini 3.1 Flash TTS zawiera niesłyszalny znak wodny SynthID. Znak wodny służy identyfikacji wygenerowanego audio i nie zastępuje transkryptu, etykiet mówców ani odsłuchu kontrolnego.

Styl przygotowania 3.1 istotnie różni się od 3.8. Gemini 3.8 przenosi wskazówki dotyczące całej wypowiedzi i tożsamość mówcy do strukturalnych metadanych mowy, używa znaczników zdarzeń punktowych w nawiasach ostrych i zmienia domyślny format wyniku ukończonych żądań na WAV. Zachowuj prompt 3.1 jako prompt 3.1 zamiast mieszać go z nowszą strukturą żądania. Tabela obsługiwanych modeli Google wymienia syntezę jednego i wielu mówców dla 3.1, natomiast ustawienia zaprojektowanego głosu i replikacji głosu należą do pozycji 3.8. Osobna edycja Flash Live obsługuje interaktywne wejście audio; ta edycja TTS służy przygotowanej produkcji tekst–audio.

Sprawdź nagranie względem pisemnego scenariusza pod kątem pominiętych lub powtórzonych słów, nazw, czasów tur i zamierzonych zmian emocjonalnych. Jeśli jedno zdanie wymaga innego akcentowania, popraw tę lokalną wskazówkę i sprawdź objęte nią przejście. Taki przepływ nadaje opisowi wykonania użyteczność: zapisuje, co powinno pozostać stałe w mówcy i co ma zmienić się w danym fragmencie, a scenariusz zachowuje treść, którą odbiorcy muszą usłyszeć.