Gemini 3.8 Flash TTS destina-se a narração expressiva e narrativa longa. A Google destaca audiolivros, diálogos com vários intervenientes e consistência da voz em fragmentos prolongados. O controlo da fala abrange expressão emocional, ritmo e pronúncia, incluindo sotaques regionais e dialetos.
São anunciadas 130 línguas para o modelo, incluindo russo. Estão disponíveis 30 vozes predefinidas, uma biblioteca alargada, criação de uma identidade vocal a partir de uma descrição e reprodução de uma voz a partir de uma amostra. Estas capacidades permitem escolher o timbre e o tipo de interpretação para cada material.
As intervenções do diálogo são associadas aos intervenientes. Um pedido com vários intervenientes pode utilizar, no máximo, duas vozes predefinidas. Com vozes criadas a partir de descrição ou amostra, as intervenções são sintetizadas separadamente; a existência dessa voz não a transforma numa voz predefinida adicional dentro de um pedido com várias vozes.
A entrada é texto, e a saída é áudio. Os limites são de 8 192 tokens de entrada e 16 384 tokens de saída. O texto é tratado como a intervenção a pronunciar; a descrição do estilo e o interveniente escolhido são definidos separadamente. Isto permite separar as palavras que devem ser ouvidas das indicações sobre a forma de as ler.
O estilo abrange emoção, ritmo, volume e prosódia. Eventos breves, como riso, suspiro ou pausa, são definidos por etiquetas de áudio especiais dentro da intervenção. Estas etiquetas controlam a interpretação, em vez de constituírem palavras comuns para leitura.
Na geração comum, é devolvido WAV por predefinição. Para transmissão em fluxo, utiliza-se PCM sem cabeçalho por predefinição. Os parâmetros de origem são 24 kHz, um canal e 16 bits. Estão também previstos PCM, mu-law e A-law. São suportados cache de contexto e processamento em lote. O formato concreto do ficheiro e as configurações disponíveis dependem do método de voz escolhido.
O modelo especializa-se na criação de fala. Não são suportadas chamadas de funções, execução de código, pesquisa em ficheiros, fundamentação através de pesquisa, Google Maps, geração de imagens, respostas textuais estruturadas, Thinking nem conteúdo de endereços Web. Consistência da voz e expressividade controlável são áreas anunciadas para o modelo, sem prometer uma pronúncia perfeita de cada intervenção.
", "aboutText": "Gemini 3.8 Flash TTS destina-se a narração expressiva e narrativa longa. A Google destaca audiolivros, diálogos com vários intervenientes e consistência da voz em fragmentos prolongados. O controlo da fala abrange expressão emocional, ritmo e pronúncia, incluindo sotaques regionais e dialetos.\n\n### Vozes e línguas\n\nSão anunciadas **130 línguas** para o modelo, incluindo russo. Estão disponíveis **30 vozes predefinidas**, uma biblioteca alargada, criação de uma identidade vocal a partir de uma descrição e reprodução de uma voz a partir de uma amostra. Estas capacidades permitem escolher o timbre e o tipo de interpretação para cada material.\n\nAs intervenções do diálogo são associadas aos intervenientes. Um pedido com vários intervenientes pode utilizar, no máximo, duas vozes predefinidas. Com vozes criadas a partir de descrição ou amostra, as intervenções são sintetizadas separadamente; a existência dessa voz não a transforma numa voz predefinida adicional dentro de um pedido com várias vozes.\n\n### Texto e controlo da interpretação\n\nA entrada é **texto**, e a saída é **áudio**. Os limites são de **8 192 tokens de entrada** e **16 384 tokens de saída**. O texto é tratado como a intervenção a pronunciar; a descrição do estilo e o interveniente escolhido são definidos separadamente. Isto permite separar as palavras que devem ser ouvidas das indicações sobre a forma de as ler.\n\nO estilo abrange emoção, ritmo, volume e prosódia. Eventos breves, como riso, suspiro ou pausa, são definidos por etiquetas de áudio especiais dentro da intervenção. Estas etiquetas controlam a interpretação, em vez de constituírem palavras comuns para leitura.\n\n### Formatos de áudio e capacidades\n\nNa geração comum, é devolvido **WAV** por predefinição. Para transmissão em fluxo, utiliza-se **PCM sem cabeçalho** por predefinição. Os parâmetros de origem são **24 kHz, um canal e 16 bits**. Estão também previstos PCM, mu-law e A-law. São suportados cache de contexto e processamento em lote. O formato concreto do ficheiro e as configurações disponíveis dependem do método de voz escolhido.\n\nO modelo especializa-se na criação de fala. Não são suportadas chamadas de funções, execução de código, pesquisa em ficheiros, fundamentação através de pesquisa, Google Maps, geração de imagens, respostas textuais estruturadas, Thinking nem conteúdo de endereços Web. Consistência da voz e expressividade controlável são áreas anunciadas para o modelo, sem prometer uma pronúncia perfeita de cada intervenção.", "editorialOverlay": { "copy_fields": null, "copy_sha256": null, "copy_source": null, "html_sha256": "7cf6f5cb8b1b829414083305a98492a303a22cdeae32a1bb4a8214126f5a4fd3", "module_sha256": "ee9dc1c50b1e6a8fb7fa062030fcb4646b9aaaeb08be513b723a5a92a7290f06", "raw_model_unchanged": true, "schema": "ailoot-native-model-editorial-v1" }, "locale": "pt-pt", "methods": [ { "html": "gemini-3.8-flash-ttsModelo de voz da Google para narração expressiva, audiolivros e diálogos com controlo da voz e suporte de 130 línguas.
Esta descrição apresenta as capacidades do modelo. As entradas, saídas e opções disponíveis no Ailoot para o método selecionado estão indicadas abaixo.
Gemini 3.8 Flash TTS destina-se a narração expressiva e narrativa longa. A Google destaca audiolivros, diálogos com vários intervenientes e consistência da voz em fragmentos prolongados. O controlo da fala abrange expressão emocional, ritmo e pronúncia, incluindo sotaques regionais e dialetos.
São anunciadas 130 línguas para o modelo, incluindo russo. Estão disponíveis 30 vozes predefinidas, uma biblioteca alargada, criação de uma identidade vocal a partir de uma descrição e reprodução de uma voz a partir de uma amostra. Estas capacidades permitem escolher o timbre e o tipo de interpretação para cada material.
As intervenções do diálogo são associadas aos intervenientes. Um pedido com vários intervenientes pode utilizar, no máximo, duas vozes predefinidas. Com vozes criadas a partir de descrição ou amostra, as intervenções são sintetizadas separadamente; a existência dessa voz não a transforma numa voz predefinida adicional dentro de um pedido com várias vozes.
A entrada é texto, e a saída é áudio. Os limites são de 8 192 tokens de entrada e 16 384 tokens de saída. O texto é tratado como a intervenção a pronunciar; a descrição do estilo e o interveniente escolhido são definidos separadamente. Isto permite separar as palavras que devem ser ouvidas das indicações sobre a forma de as ler.
O estilo abrange emoção, ritmo, volume e prosódia. Eventos breves, como riso, suspiro ou pausa, são definidos por etiquetas de áudio especiais dentro da intervenção. Estas etiquetas controlam a interpretação, em vez de constituírem palavras comuns para leitura.
Na geração comum, é devolvido WAV por predefinição. Para transmissão em fluxo, utiliza-se PCM sem cabeçalho por predefinição. Os parâmetros de origem são 24 kHz, um canal e 16 bits. Estão também previstos PCM, mu-law e A-law. São suportados cache de contexto e processamento em lote. O formato concreto do ficheiro e as configurações disponíveis dependem do método de voz escolhido.
O modelo especializa-se na criação de fala. Não são suportadas chamadas de funções, execução de código, pesquisa em ficheiros, fundamentação através de pesquisa, Google Maps, geração de imagens, respostas textuais estruturadas, Thinking nem conteúdo de endereços Web. Consistência da voz e expressividade controlável são áreas anunciadas para o modelo, sem prometer uma pronúncia perfeita de cada intervenção.
POST /v1/audio/speechtextaudio| Campo | Tipo | Requisito | Valores e limites | Predefinição |
|---|---|---|---|---|
Campomodel | Tipostring | RequisitoObrigatório | Valores e limites gemini-3.8-flash-tts | Predefinição— |
Campoinput | Tipostring | RequisitoObrigatório | Valores e limites Comprimento mínimo: 1 | Predefinição— |
Campovoice | Tipostring | RequisitoOpcional | Valores e limites 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 | PredefiniçãoKore |
Camporesponse_format | Tipostring | RequisitoOpcional | Valores e limites , wav, json | Predefinição |
Campostream_format | Tipostring | RequisitoOpcional | Valores e limites audio | Predefinição— |
text_to_speech · Obrigatório: input
| Parâmetro | Contrato |
|---|---|
Parâmetromaterial_types | Contratotext |
Parâmetrorequired | Contratonull |
Parâmetrooptional_controls | Contratonull |
Ciclo de vida: synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · task_id efetivamente devolvido ou registo na biblioteca de multimédia
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
As estruturas dos métodos e os ID são exatos; a capacidade do fornecedor é distinta da admissão dos pedidos.
POST /v1/audio/speechO Ailoot reserva um montante estimado antes de um pedido. Após o resultado, liquida o custo final com base na utilização medida. No streaming, a liquidação usa o registo final de utilização. Como funcionam a reserva e a liquidação →
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-3.8-flash-tts", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\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 speech.wav\nbytes de áudio nativo ou ligações JSON para recursos
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}Guarde cada resposta, ficheiro e parte de conteúdo devolvidos na íntegra.
Uma única saída utiliza, por predefinição, bytes de áudio nativo com o Content-Type real; response_format=json ou várias saídas devolvem todas as ligações pertencentes ao utilizador. Sem conversão solicitada para MP3/Opus/AAC/FLAC/PCM nem SSE.
Conserve o operation_id/X-Client-Request-ID original para reconciliação sem voltar a enviar o pedido; não existe uma rota dedicada à consulta periódica do estado do áudio.
| Campo | Tipo |
|---|---|
Campobinary native audio | Tipobytes |
Campomodel | Tipostring |
Camporesponse_id | Tipostring |
Campoactual_count | Tipointeger |
Campodata[] | Tipoowned audio asset link |
| Resposta | Condição | Passo seguinte |
|---|---|---|
Resposta400 · invalid_request_error | CondiçãoCampos obrigatórios, representação do material ou valor do parâmetro inválidos | Passo seguinteCorrija os campos indicados antes de um novo pedido de criação. |
Respostaserver_error | CondiçãoA resposta devolvida indica que a operação ou o resultado requer verificação | Passo seguinteGuarde o ID original da operação/tarefa devolvido, os cabeçalhos do pedido e a resposta; continue a consultar essa operação original através das consultas suportadas. Não volte a enviar o pedido de criação. |
Ailoot gemini-3.8-flash-tts
Use os caminhos dos métodos indicados acima.