Google: Gemini 3.8 Flash Lite TTS

Google Gemini 3.8 Flash-Lite TTS é o membro da família 3.8 de síntese de voz a partir de texto da Google orientado para o débito de produção. Recebe um guião escrito e produz áudio falado. A Google posiciona-o para funcionalidades de leitura em voz alta, narração quotidiana com um único locutor, produção de áudio em grande volume e a etapa de saída de voz de sistemas de agentes de voz. Um artefacto útil é um artigo lido com uma voz consistente, uma explicação falada de um produto ou um conjunto de gravações instrutivas curtas. O guião já deve conter as palavras que o ouvinte precisa de ouvir.

A família 3.8 separa o texto de fala das instruções de interpretação. Mantenha o texto falado palavra por palavra e coloque a emoção continuada, o ritmo, o volume ou o estilo de interpretação nos metadados de fala. Uma introdução calorosa, uma instrução urgente e um fecho tranquilo podem ter, cada um, uma breve descrição de estilo associada ao respetivo turno. Texto como «Diga com alegria» dentro do texto de fala pode ser pronunciado. Os nomes dos locutores pertencem aos metadados de locutor, em vez de aparecerem como rótulos no guião audível. Esta preparação é particularmente importante ao reutilizar prompts escritos para Gemini 3.1 Flash TTS.

Utilize etiquetas entre parênteses angulares no texto para eventos breves num ponto específico: uma inspiração, um riso, uma tosse, um suspiro ou uma pausa. Por exemplo, o texto de fala «O próximo passo é simples. <short pause> Escolha a sua língua preferida.» mantém a pausa pretendida junto das palavras que afeta. Coloque uma interpretação sussurrada continuada na descrição de estilo, em vez de acrescentar repetidamente etiquetas de eventos. A Google recomenda nomes de etiquetas em inglês mesmo em guiões noutras línguas. Estes controlos orientam a voz; uma faixa de aplausos ou o bater de uma porta exigem produção sonora separada, e não uma etiqueta de evento vocal.

A Google indica 101 línguas suportadas para esta edição, incluindo inglês, russo, chinês, japonês, coreano, francês, alemão, espanhol, indonésio e vietnamita. Escreva o guião acabado na língua pretendida, incluindo a forma desejada dos nomes, abreviaturas e números. Como preparação editorial, escreva por extenso uma abreviatura ambígua ou a leitura pretendida de um número quando o ouvinte tiver de ouvir uma forma específica. Escute uma passagem inicial com os nomes e as transições difíceis antes de considerar concluída uma gravação longa. Uma contagem de línguas não torna intercambiáveis todas as pronúncias regionais.

O fabricante suporta vozes pré-definidas, uma biblioteca de vozes alargada, personagens vocais concebidas e replicação de voz. Selecione a identidade vocal separadamente das instruções temporárias de interpretação. Reutilize essa identidade e uma descrição breve da interpretação entre secções quando a narração deve ser consistente. Na configuração documentada de dois locutores, atribua a cada turno um locutor explícito que corresponda a uma das duas vozes pré-definidas configuradas. O guia da Google trata cenas com várias personagens e vozes concebidas ou replicadas através da geração dos turnos individuais. Esta distinção importa ao planear um diálogo em vez de um único narrador.

Para pedidos comuns concluídos, o guia 3.8 da Google especifica áudio WAV com cabeçalho RIFF, contendo PCM little-endian de 16 bits com sinal, mono, a 24 kHz. A configuração de transmissão em fluxo devolve, por predefinição, blocos de PCM bruto sem cabeçalho; o guia documenta também opções de codificação PCM linear bruto, mu-law e A-law. Faça corresponder as definições de reprodução ou edição ao formato de saída real. Mudar a extensão de PCM sem cabeçalho para WAV não acrescenta a informação do contentor. Ao montar turnos gerados separadamente, mantenha o formato áudio consistente e trate cada WAV completo como um ficheiro com o seu próprio cabeçalho.

A página do modelo exato apresenta limites da Gemini API de 8 192 tokens de entrada e 16 384 tokens de saída. Os tokens de áudio não exprimem um número fixo de segundos de fala. Prepare material longo em secções com significado, mantendo o mesmo pedido de voz e estilo e escutando as junções. Estes são os limites de serviço documentados pelo fabricante para este modelo; descrevem uma grandeza diferente de um campo genérico de contexto num catálogo. Texto é a entrada e áudio é a saída, pelo que a redação do guião, a tradução e a transcrição são tarefas separadas de preparação ou seguimento.

Flash-Lite partilha a estrutura de pedidos 3.8 com Gemini 3.8 Flash TTS. A escolha prática diz respeito à interpretação necessária: Flash-Lite destina-se à produção rápida e repetida, enquanto Flash TTS é o escalão criativo para pronúncia difícil, interpretação subtil e uma cobertura mais ampla de dialetos. Um artigo de ajuda de rotina e uma cena dramática de duas personagens impõem exigências diferentes à voz. Verifique a gravação real quanto a palavras omitidas ou repetidas, pronúncia, ritmo e mudanças audíveis entre segmentos antes de a utilizar na experiência de escuta final.