Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview é a edição de síntese de voz a partir de texto da família Gemini 3.1 Flash Audio. Aceita texto e produz áudio falado com expressão orientada por prompts. A Google descreve esta geração como uma melhoria na naturalidade da fala, na capacidade de controlo e no desempenho multilingue, com diálogo nativo entre vários locutores e mais de 70 línguas. Uma utilização prática é uma lição narrada curta, uma troca entre personagens ou uma passagem falada cuja interpretação importe tanto como a formulação.

Prepare um guião acabado e um pedido de interpretação. Esta geração utiliza instruções em linguagem natural dentro da entrada textual para orientar o estilo vocal, o ritmo e a interpretação. O lançamento da Google introduz orientação de cena para estabelecer uma situação, Audio Profiles de locutores para definir personagens e Director’s Notes para orientar o ritmo, o tom e o sotaque. Mantenha essas partes identificáveis ao preparar o prompt, para que as palavras pretendidas e as instruções de interpretação possam ser revistas independentemente. Um pedido conciso é mais fácil de rever do que várias descrições concorrentes da mesma voz.

Por exemplo, um pedido original de ensaio pode descrever um narrador calmo a explicar uma peça de museu, com fraseado ponderado e um tom mais caloroso na frase final. O guião associado deve conter os nomes reais da peça e a formulação precisa que precisa de ser vocalizada. Para um diálogo, atribua às personagens perfis distintos e uma sequência clara de turnos. Utilize o contexto da cena para explicar se um locutor está a tranquilizar o outro, a fazer uma pergunta sincera ou a responder com surpresa contida. O artefacto gerado a avaliar é a interpretação audível desse guião.

As etiquetas áudio no texto acrescentam controlo local, permitindo que a expressão de um locutor mude dentro de uma frase, em vez de depender inteiramente da orientação inicial. A Google descreve as etiquetas como controlos do estilo vocal, do ritmo e da interpretação. Utilize-as onde a interpretação precisar de uma mudança específica e mantenha o resto da formulação natural para falar. A distinção útil nesta edição é entre o pedido global de personagem ou cena e a alteração local da interpretação. Uma passagem neutra curta pode estabelecer a voz de base antes de o guião acrescentar mais orientação emocional.

Para trabalho multilingue, forneça o guião na língua final e indique no pedido o sotaque e o estilo de fala pretendidos. O anúncio da Google documenta suporte para mais de 70 línguas. Como preparação editorial prática, atribua aos nomes recorrentes uma grafia consistente, desenvolva abreviaturas ambíguas quando for necessária uma leitura específica e verifique os números no resultado falado. Um rótulo de língua, por si só, não determina como deve soar uma marca ou um termo emprestado. Compare as passagens com esses termos com a leitura pretendida antes de aceitar uma narração longa.

A página do modelo exato da Gemini API apresenta um limite de entrada de 8 192 tokens e um limite de saída de 16 384 tokens para este modelo de pré-visualização. A ficha nativa do modelo TTS da DeepMind apresenta separadamente entrada textual de até 16K tokens e saída áudio de 32K tokens; estes valores da ficha são distintos dos limites de serviço da Gemini API. Conte as instruções de interpretação como parte da entrada preparada, juntamente com o guião. A margem de saída é expressa em tokens de áudio, pelo que não garante uma duração específica de gravação. Organize uma lição ou história longa em secções coerentes, mantenha o mesmo pedido de personagem e escute as junções. Para diálogo escrito, verifique a atribuição e a ordem dos turnos, além das palavras faladas e da interpretação emocional.

A documentação de migração da Google identifica a saída predefinida 3.1 como PCM bruto sem cabeçalho com o tipo audio/l16. Os bytes de áudio precisam da informação adequada de reprodução ou contentor ao preparar uma gravação editável; acrescentar apenas um nome de ficheiro WAV não cria um cabeçalho WAV. Verifique o formato efetivamente devolvido antes de importar o resultado. A Google afirma também que o áudio gerado por Gemini 3.1 Flash TTS contém uma marca de água SynthID impercetível. A marca de água diz respeito à identificação de áudio gerado e não substitui uma transcrição, rótulos de locutores ou uma revisão auditiva.

O estilo de preparação 3.1 difere substancialmente de 3.8. Gemini 3.8 transfere as orientações continuadas e a identidade do locutor para metadados de fala estruturados, utiliza etiquetas de eventos pontuais entre parênteses angulares e altera as predefinições de pedidos concluídos para WAV. Preserve um prompt 3.1 como prompt 3.1, em vez de misturar essa estrutura de pedidos mais recente. A tabela de modelos suportados da Google apresenta síntese de um ou vários locutores para 3.1, enquanto os controlos de vozes concebidas e replicação de voz pertencem às entradas 3.8. A edição separada Flash Live trata entrada áudio interativa; esta edição TTS serve a produção preparada de texto para áudio.

Reveja a gravação face ao guião escrito quanto a palavras omitidas ou repetidas, nomes, temporização dos turnos e alterações emocionais pretendidas. Se uma frase precisar de ênfase diferente, reveja essa orientação local e inspecione a transição afetada. Este fluxo torna útil o pedido de interpretação: regista o que deve permanecer estável no locutor e o que deve mudar nessa passagem, enquanto o guião preserva o conteúdo que o público precisa de ouvir.