Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview — версия синтеза речи семейства Gemini 3.1 Flash Audio. Она принимает текст и создаёт речевое аудио с выразительностью, задаваемой запросом. Google описывает это поколение как улучшение естественности речи, управляемости и многоязычной работы, с собственной поддержкой диалогов нескольких говорящих и более 70 языков. Практическое применение — короткий озвученный урок, обмен репликами персонажей или речевой фрагмент, подача которого важна не меньше формулировок.

Подготовьте готовый сценарий и бриф исполнения. Это поколение использует инструкции естественным языком внутри текстового входа для управления стилем голоса, темпом и подачей. Выпуск Google вводит указания сцены для задания ситуации, Audio Profiles говорящих для определения персонажей и Director’s Notes для управления темпом, тоном и акцентом. При подготовке запроса сохраняйте различимость этих частей, чтобы предполагаемые слова и указания исполнения можно было проверять независимо. Лаконичный бриф проще исправлять, чем несколько конкурирующих описаний одного голоса.

Например, оригинальный репетиционный бриф может описывать спокойного рассказчика, объясняющего музейный экспонат, с размеренной фразировкой и более тёплым тоном в последнем предложении. Сопровождающий сценарий должен содержать настоящие названия экспоната и точные слова для озвучивания. Для диалога задайте персонажам разные профили и ясную последовательность реплик. Контекст сцены должен объяснять, успокаивает ли один говорящий другого, задаёт настоящий вопрос или отвечает со сдержанным удивлением. Оцениваемый сгенерированный материал — слышимое исполнение этого сценария.

Встроенные аудиотеги добавляют локальное управление внутри текста, позволяя менять выразительность речи внутри предложения вместо полной зависимости от начального указания. Google описывает теги как управление стилем голоса, темпом и подачей. Используйте их там, где исполнению нужен конкретный переход, сохраняя остальные формулировки естественными для произнесения. Полезное различие этой версии — между общим брифом персонажа или сцены и локальным изменением подачи. Короткий нейтральный фрагмент может установить базовый голос перед добавлением более эмоциональных указаний в сценарий.

Для многоязычной работы предоставьте сценарий на окончательном языке и укажите в брифе нужный акцент и манеру речи. Объявление Google документирует поддержку более 70 языков. При практической редакторской подготовке используйте единое написание повторяющихся имён, раскрывайте неоднозначные сокращения, когда требуется одно прочтение, и проверяйте числа в речевом результате. Одна языковая метка не определяет звучание названия бренда или заимствованного термина. Сравнивайте фрагменты с такими терминами с предполагаемым прочтением перед принятием длинной озвучки.

Точная страница модели Gemini API указывает для этой предварительной модели предел входа 8 192 токена и вывода 16 384 токена. Собственная карточка TTS DeepMind отдельно указывает текстовый вход до 16K токенов и аудиовывод 32K токенов; эти значения карточки отличаются от пределов обслуживания Gemini API. Учитывайте указания исполнения вместе со сценарием в подготовленном входе. Объём вывода выражен в аудиотокенах и не гарантирует конкретной длительности записи. Организуйте длинный урок или рассказ в связные разделы, сохраняйте один бриф персонажа и слушайте стыки. Для сценарного диалога проверяйте атрибуцию и порядок реплик вместе со словами и эмоциональной подачей.

Документация миграции Google определяет стандартный вывод 3.1 как сырой PCM без заголовка с типом audio/l16. При подготовке редактируемой записи аудиобайтам нужны соответствующие сведения воспроизведения или контейнера; одно добавление имени файла WAV не создаёт заголовок WAV. Проверьте фактически возвращённый формат перед импортом результата. Google также указывает, что аудио Gemini 3.1 Flash TTS содержит незаметный водяной знак SynthID. Знак касается идентификации сгенерированного аудио и не заменяет расшифровку, метки говорящих или проверку прослушиванием.

Стиль подготовки 3.1 существенно отличается от 3.8. Gemini 3.8 переносит длительные указания и идентичность говорящего в структурированные метаданные речи, использует теги точечных событий в угловых скобках и меняет стандартный завершённый вывод на WAV. Сохраняйте запрос 3.1 именно как запрос 3.1, не смешивая его с новой структурой. Таблица поддерживаемых моделей Google указывает для 3.1 синтез с одним и несколькими говорящими, тогда как настройки разработанных голосов и воспроизведения голоса относятся к позициям 3.8. Отдельная версия Flash Live обрабатывает интерактивный аудиовход; эта версия TTS обслуживает подготовленное производство аудио по тексту.

Сверяйте запись с письменным сценарием на пропущенные и повторённые слова, имена, время реплик и требуемые эмоциональные переходы. Если предложению нужен иной акцент, исправьте локальное указание и проверьте затронутый переход. Такой процесс делает бриф исполнения полезным: он фиксирует, что должно остаться постоянным в говорящем и что должно измениться в данном фрагменте, а сценарий сохраняет содержание, которое аудитории нужно услышать.