Google: Gemini 3.8 Flash TTS

Google Gemini 3.8 Flash TTS é o escalão de interpretação vocal criativa da família 3.8 de síntese de voz a partir de texto da Google. Dá ênfase à fidelidade acústica, à amplitude emocional, aos sotaques regionais e à continuidade da voz de uma personagem ao longo de diálogos extensos. A Google destaca audiolivros, narração de estúdio, pronúncia difícil e cenas com interpretação vocal substancial. A saída é áudio falado a partir de um guião textual preparado, adequado para rever o desempenho de um narrador ou organizar uma conversa escrita juntamente com outros elementos de produção.

Comece pelas palavras exatas que devem ser ouvidas. O texto de fala 3.8 é tratado palavra por palavra, enquanto o locutor e a interpretação continuada pertencem a metadados de fala separados. Atribua a cada turno uma identidade clara de locutor e, quando útil, uma orientação breve de estilo, como preocupação contida ou curiosidade alegre. Divida uma fala em turnos separados quando a emoção ou o ritmo mudarem substancialmente. Isto torna o pedido mais fácil de inspecionar: o texto contém o diálogo e a orientação associada explica como essa parte deve ser interpretada. Instruções escritas comuns colocadas no texto de fala podem ser lidas em voz alta.

O sistema de voz 3.8 da Google inclui vozes pré-definidas, uma biblioteca de vozes alargada, personagens vocais concebidas e identidades vocais replicadas. Escolha a personagem de base antes de aplicar alterações temporárias de interpretação. Um sotaque regional estável ou a identidade de uma personagem pertencem à voz escolhida; o campo de estilo controla a interpretação atual. O fabricante aconselha reutilizar essa voz com instruções breves, em vez de repetir blocos longos de Audio Profile ou Director’s Notes. A configuração documentada de diálogo num único pedido combina até dois locutores com vozes pré-definidas. Para personagens concebidas ou replicadas, o guia orienta a geração individual dos turnos ao montar uma troca entre várias personagens.

Coloque uma vocalização humana breve ou uma pausa no ponto relevante com uma etiqueta entre parênteses angulares. Um exemplo de guião original é «Pensei que tinhas ido embora. <short pause> <sigh> Deixei a luz acesa.» Associe uma interpretação contida ao turno completo, em vez de colocar essa instrução entre as palavras faladas. A pontuação e as maiúsculas podem ajudar a formular uma hesitação ou a enfatizar uma palavra. A Google documenta também reações do ouvinte delimitadas pelo carácter de barra vertical para sinais de acompanhamento e diálogo sobreposto, e identifica Flash TTS como a edição 3.8 preferida para sobreposições mais intensas. Mantenha essas reações suficientemente curtas para que o ouvinte continue a compreender a fala principal.

O fabricante indica 130 línguas suportadas para Flash TTS e destaca a cobertura de dialetos regionais e minoritários. Um pedido de interpretação regional é útil para uma personagem de audiolivro localizada ou uma narração cujo sotaque importe para o público. Prepare o guião na língua final, com grafias consistentes para nomes recorrentes e uma leitura intencional de abreviaturas e números. Como etapa editorial, comece a revisão auditiva pelas passagens com nomes difíceis, mudanças de dialeto ou transições emocionais. O sotaque e o ritmo pretendidos devem ser avaliados na voz gerada, e não pressupostos apenas a partir do rótulo da língua.

O guia de saída 3.8 distingue ficheiros completos de áudio em fluxo. A predefinição de pedidos concluídos é um ficheiro WAV com cabeçalho RIFF: PCM little-endian de 16 bits com sinal, mono, a 24 kHz. A predefinição de transmissão em fluxo é PCM linear bruto, sem cabeçalho, com as mesmas características de amostragem. PCM linear bruto, mu-law e A-law são também opções de codificação documentadas. Utilize a informação real de codificação ao preparar a reprodução ou importar o resultado para um editor. Para uma sequência de ficheiros de diálogo separados, mantenha os formatos consistentes e inspecione as junções quanto a alterações súbitas de nível, ritmo ou som ambiente.

A página do modelo exato da Google especifica limites de serviço da Gemini API de 8 192 tokens de entrada e 16 384 tokens de saída. Estes são limites de tokens, não uma duração fixa de audiolivro nem um número exato de segundos de fala. Divida guiões longos em pontos com significado e preserve a identidade da voz escolhida entre secções. Numa produção com a extensão de um capítulo, escute a continuidade nas mudanças de parágrafo e de cena, assim como a exatidão das palavras dentro de cada segmento. Uma boa revisão prática regista que falas precisam de revisões de pronúncia ou interpretação, em vez de reescrever todo o pedido de voz após cada gravação.

Flash TTS e Flash-Lite TTS partilham a estrutura de preparação 3.8, pelo que a escolha da edição pode acompanhar as exigências do trabalho. Flash TTS dá ênfase à interpretação, a diálogos complexos, a pronúncias difíceis e a uma cobertura de dialetos mais ampla; Flash-Lite dá ênfase ao débito de produção de conteúdo falado de rotina. Os controlos expressivos dizem respeito a fala humana e eventos vocais. Efeitos de fundo, uma composição musical e uma mistura de produção acabada podem ser planeados como recursos separados. A escrita do guião, a tradução e o reconhecimento de fala gravada continuam a ser etapas distintas em torno deste modelo de texto para áudio.