Google: Gemini 3.8 Flash Lite TTS

Google Gemini 3.8 Flash-Lite TTS to wariant rodziny syntezy mowy 3.8 firmy Google ukierunkowany na przepustowość. Przyjmuje pisemny scenariusz i generuje nagrania mowy. Google przeznacza go do funkcji odczytywania, codziennej narracji z jednym mówcą, produkcji dużej ilości audio oraz etapu generowania mowy w systemach agentów głosowych. Przydatnym rezultatem jest artykuł odczytany spójnym głosem, mówione objaśnienie produktu lub zestaw krótkich nagrań instruktażowych. Scenariusz powinien już zawierać słowa, które słuchacz ma usłyszeć.

Rodzina 3.8 oddziela transkrypt od wskazówek wykonawczych. Zachowaj dosłowny tekst mówiony, a emocje, tempo, głośność lub styl utrzymywane przez całą wypowiedź umieść w metadanych mowy. Ciepłe powitanie, pilna instrukcja i ciche zakończenie mogą mieć krótki opis stylu przypisany do własnej tury. Tekst taki jak „Powiedz radośnie” w transkrypcie może sam zostać wypowiedziany. Imiona mówców należą do metadanych mówcy, a nie do etykiet w słyszalnym scenariuszu. Takie przygotowanie jest szczególnie ważne przy ponownym użyciu promptów napisanych dla Gemini 3.1 Flash TTS.

Używaj znaczników w nawiasach ostrych wewnątrz tekstu do krótkich zdarzeń w konkretnym miejscu: oddechu, śmiechu, kaszlu, westchnienia lub pauzy. Na przykład transkrypt „Następny krok jest prosty. <short pause> Wybierz preferowany język” umieszcza zamierzoną pauzę obok słów, na które wpływa. Utrzymywany szept umieść w opisie stylu, zamiast wielokrotnie dodawać znaczniki zdarzeń. Google zaleca angielskie nazwy znaczników także w scenariuszach w innych językach. Te ustawienia kierują głosem; ścieżka oklasków lub trzask drzwi wymaga osobnej produkcji dźwięku zamiast znacznika zdarzenia wokalnego.

Google wymienia 101 obsługiwanych języków dla tej edycji, w tym angielski, rosyjski, chiński, japoński, koreański, francuski, niemiecki, hiszpański, indonezyjski i wietnamski. Napisz gotowy scenariusz w zamierzonym języku, uwzględniając pożądaną postać nazw, skrótów i liczb. W ramach przygotowania redakcyjnego rozwiń niejednoznaczny skrót lub zapisz zamierzony odczyt liczby, gdy słuchacz musi usłyszeć jedną konkretną formę. Odsłuchaj początkowy fragment zawierający trudne nazwy i przejścia, zanim uznasz długie nagranie za ukończone. Liczba języków nie oznacza, że wszystkie regionalne wymowy są wymienne.

Producent obsługuje gotowe głosy, rozszerzoną bibliotekę głosów, zaprojektowane persony głosowe i replikację głosu. Wybieraj tożsamość głosu osobno od tymczasowych wskazówek aktorskich. Używaj tej samej tożsamości i zwięzłego opisu wypowiedzi między sekcjami, gdy narracja ma pozostać spójna. W udokumentowanej konfiguracji dwóch mówców przypisz każdej turze jawnego mówcę zgodnego z jednym z dwóch skonfigurowanych gotowych głosów. Przewodnik Google realizuje sceny z wieloma postaciami o zaprojektowanych lub replikowanych głosach przez generowanie poszczególnych tur. To rozróżnienie ma znaczenie przy planowaniu dialogu zamiast jednego narratora.

Dla zwykłych ukończonych żądań przewodnik Google 3.8 określa audio WAV z nagłówkiem RIFF, zawierające 24 kHz mono, 16-bitowy PCM ze znakiem w kolejności little-endian. Konfiguracja strumieniowa domyślnie zwraca natomiast surowe fragmenty PCM bez nagłówka; przewodnik dokumentuje także opcje kodowania surowego liniowego PCM, mu-law i A-law. Dopasuj ustawienia odtwarzania lub edycji do rzeczywistego formatu wyjścia. Zmiana rozszerzenia PCM bez nagłówka na WAV nie dodaje informacji kontenera. Przy składaniu osobno wygenerowanych tur zachowaj spójny format dźwięku i traktuj każdy kompletny WAV jako plik z własnym nagłówkiem.

Dokładna strona modelu podaje limity Gemini API: 8,192 tokenów wejściowych i 16,384 tokenów wyjściowych. Tokeny audio nie określają stałej liczby sekund mowy. Przygotuj długi materiał w znaczących sekcjach, zachowując ten sam głos i opis stylu oraz odsłuchując łączenia. Są to udokumentowane przez producenta limity obsługi tego modelu; opisują inną wielkość niż ogólne pole kontekstu w katalogu. Wejściem jest tekst, a wyjściem audio, więc pisanie scenariusza, tłumaczenie i transkrypcja są osobnymi zadaniami przygotowawczymi lub następczymi.

Flash-Lite współdzieli strukturę żądań 3.8 z Gemini 3.8 Flash TTS. Praktyczny wybór zależy od wymaganego sposobu wypowiedzi: Flash-Lite jest przeznaczony do szybkiej, powtarzalnej produkcji, a Flash TTS stanowi kreatywny wariant do trudnej wymowy, subtelnej gry aktorskiej i szerszej obsługi dialektów. Rutynowy artykuł pomocy i dramatyczna scena dwóch postaci stawiają różne wymagania głosowi. Sprawdź rzeczywiste nagranie pod kątem pominiętych lub powtórzonych słów, wymowy, tempa i słyszalnych zmian między segmentami przed użyciem go w końcowym materiale do odsłuchu.