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.
", "aboutText": "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.\n\nPrzygotuj 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.\n\nNa 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.\n\nZnaczniki 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.\n\nPrzy 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.\n\nDokładna 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.\n\nDokumentacja 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.\n\nStyl 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.\n\nSprawdź 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.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "447dcef61579ada28c367d9e4c3b4f207b30f91385bc06ff89ee563e84a63429", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pl", "methods": [ { "html": "google/gemini-3.1-flash-tts-previewGoogle Gemini 3.1 Flash TTS Preview przekształca pisemne scenariusze w ekspresyjne nagrania mowy. Wskazówki w języku naturalnym, Audio Profiles mówców, Director’s Notes i znaczniki audio w tekście kształtują tempo, ton i akcent. Obsługuje natywny dialog i ponad 70 języków, używając promptu i formatu audio 3.1.
Ten opis przedstawia możliwości modelu. Dane wejściowe, wyniki i opcje dostępne w Ailoot podano poniżej dla wybranej metody.
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.
POST /v1/audio/speechtextaudio| Pole | Typ | Wymaganie | Wartości i limity | Domyślnie |
|---|---|---|---|---|
Polemodel | Typstring | WymaganieWymagane | Wartości i limity google/gemini-3.1-flash-tts-preview | Domyślnie— |
Poleinput | Typstring | WymaganieWymagane | Wartości i limity Minimalna długość: 1 | Domyślnie— |
Polevoice | Typstring | WymaganieWymagane | Wartości i limity Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callirrhoe, Autonoe, Enceladus, Iapetus, Umbriel, Algieba, Despina, Erinome, Algenib, Rasalgethi, Laomedeia, Achernar, Alnilam, Schedar, Gacrux, Pulcherrima, Achird, Zubenelgenubi, Vindemiatrix, Sadachbia, Sadaltager, Sulafat Minimalna długość: 1 | Domyślnie— |
Poleresponse_format | Typstring | WymaganieOpcjonalne | Wartości i limity mp3, pcm | Domyślniepcm |
Poleprovider | Typobject | WymaganieOpcjonalne | Wartości i limity | Domyślnie— |
| Parametr | Kontrakt |
|---|---|
Parametrcontent_type | Kontraktapplication/json |
Parametrrequired | Kontraktmodel, input, voice |
Parametrmaterial_types | Kontrakttext |
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}
Informacje taryfowe nie dodają opcji żądania. Obsługiwane parametry podano przy wybranej metodzie.
Dopasuj każdą opłatę do pokazanych warunków. Użyj jednej stawki dla każdego zestawu alternatywnych konfiguracji.
| Konfiguracja | Tabela stawek | Jednostka rozliczeniowa | Opłata |
|---|---|---|---|
| KonfiguracjaBazowe stawki za tokeny | Tabela stawekStawka podstawowa | Jednostka rozliczeniowa— | Opłata Wejście · Tokeny wejściowe — / 1K tokenów Wyjście · Tokeny wyjściowe — / 1K tokenów Wejście · Odczyt cache — / 1K tokenów Wejście · Zapis do cache — / 1K tokenów Wejście · Zapis do cache, 1 godz. — / 1K tokenów |
| Konfiguracjatoken wejściowy | Tabela stawek— | Jednostka rozliczeniowa/ 1K tokenów | Opłata Wejście $0.002 / 1K tokenów |
| Konfiguracjatoken wyjściowy | Tabela stawek— | Jednostka rozliczeniowa/ 1K tokenów | Opłata Wyjście $0.04 / 1K tokenów |
Ailoot rezerwuje szacowaną kwotę przed żądaniem. Po otrzymaniu wyniku rozlicza ostateczną opłatę według zmierzonego użycia. Rozliczenie strumieniowania korzysta z końcowego rekordu użycia. Jak działają rezerwacja i rozliczenie →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"\nexport AILOOT_INPUT_TEXT\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\nrequest={'model': 'google/gemini-3.1-flash-tts-preview', 'input': '${ACTUAL_INPUT_TEXT}', 'voice': 'Orus', 'response_format': 'pcm'}\nrequest['input']=os.environ['AILOOT_INPUT_TEXT']\nPath('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o response.bin\n# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.\nKompletne binarne dane dźwiękowe lub oryginalna odpowiedź audio_url, nagłówki i każdy zasób należący do użytkownika.
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json\n# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.\nZachowaj każdą kompletną zwróconą odpowiedź, plik i część treści.
Zachowaj pełną odpowiedź i nagłówki, wszystkie rzeczywiście uzyskane wyniki, pierwotnie zwrócone identyfikatory oraz wszystkie pola zużycia. Odzyskaj pierwotną operację bez ponownego wysyłania żądania utworzenia.
Zachowaj zwrócony X-Client-Request-ID do uzgodnienia danych. Odczytuj wyłącznie rzeczywiście zwrócone wartości task_id/asset_id lub własną bibliotekę multimediów; nigdy nie buduj adresu URL zadania na podstawie identyfikatora operacji i nigdy nie wysyłaj ponownie żądania utworzenia.
Ailoot Ultra google/gemini-3.1-flash-tts-preview
Użyj ścieżek metod podanych powyżej.