Google: Gemini 3.8 Flash TTS

Google Gemini 3.8 Flash TTS — творческий уровень голосового исполнения в семействе синтеза речи Google 3.8. Он делает акцент на акустической точности, эмоциональном диапазоне, региональных акцентах и сохранении голоса персонажа в длинных диалогах. Google выделяет аудиокниги, студийное закадровое чтение, сложное произношение и сцены с выраженной голосовой актёрской работой. На выходе получается речевое аудио по подготовленному текстовому сценарию, подходящее для оценки исполнения рассказчика или размещения сценарного диалога рядом с другими элементами производства.

Начните с точных слов, которые должны прозвучать. Текст 3.8 воспринимается дословно, а сведения о говорящем и длительной манере исполнения относятся к отдельным метаданным речи. Задайте каждой реплике явную идентичность говорящего и при необходимости краткое указание стиля, например сдержанную тревогу или радостное любопытство. Разделяйте строку на отдельные реплики, когда эмоция или темп существенно меняются. Так бриф проще проверять: текст содержит диалог, а приложенное указание объясняет, как исполнить эту часть. Обычные письменные инструкции внутри текста могут быть прочитаны вслух.

Голосовая система Google 3.8 включает готовые голоса, расширенную библиотеку голосов, разработанные голосовые образы и воспроизведённые голосовые идентичности. Выберите основной образ, прежде чем применять временные актёрские изменения. Постоянный региональный акцент или идентичность персонажа относятся к выбранному голосу, а поле style управляет текущим исполнением. Разработчик советует повторно использовать этот голос с краткими указаниями вместо повторения длинных блоков Audio Profile или Director’s Notes. Документированная конфигурация диалога в одном запросе объединяет до двух готовых говорящих. Для разработанных или воспроизведённых персонажей руководство предписывает генерировать отдельные реплики при сборке многоперсонажного обмена.

Помещайте короткую человеческую вокализацию или паузу в нужной точке с помощью тега в угловых скобках. Пример оригинального сценария: «Я думал, ты ушёл. <short pause> <sigh> Я оставил свет включённым». Прикрепите сдержанную подачу ко всей реплике, а не вставляйте это указание среди произносимых слов. Пунктуация и регистр могут помочь передать заминку или подчеркнуть слово. Google также документирует реакции слушателя с разделителями в виде вертикальной черты для коротких ответных сигналов и перекрывающегося диалога и называет Flash TTS предпочтительной версией 3.8 для выраженного наложения реплик. Делайте такие реакции достаточно короткими, чтобы слушатель по-прежнему понимал основную реплику.

Производитель указывает для Flash TTS 130 поддерживаемых языков и подчёркивает охват региональных диалектов и диалектов меньшинств. Региональный бриф исполнения полезен для локализованного персонажа аудиокниги или закадрового чтения, где аудитории важен акцент. Подготовьте сценарий на окончательном языке, с единым написанием повторяющихся имён и намеренно выбранным прочтением сокращений и чисел. При редакторской проверке начинайте прослушивание с фрагментов со сложными именами, сменами диалекта или эмоциональными переходами. Требуемый акцент и темп нужно оценивать по сгенерированному голосу, а не предполагать лишь по языковой метке.

Руководство по выводу 3.8 различает завершённые файлы и потоковое аудио. По умолчанию завершённый запрос даёт WAV-файл с заголовком RIFF: 24 kHz, моно, знаковый 16-битный PCM little-endian. По умолчанию потоковый вывод — сырой линейный PCM без заголовка с теми же характеристиками отсчётов. Среди вариантов кодирования также документированы raw linear PCM, mu-law и A-law. При подготовке воспроизведения или импорте в редактор используйте фактические сведения о кодировании. Для последовательности отдельных файлов диалога сохраняйте единый формат и проверяйте стыки на резкие изменения уровня, темпа или фонового звучания помещения.

На странице именно этой модели Google указывает пределы обслуживания Gemini API 8 192 токена входа и 16 384 токена вывода. Это пределы токенов, а не фиксированная длительность аудиокниги или точное число секунд речи. Разделяйте длинные сценарии по смысловым границам и сохраняйте выбранную голосовую идентичность между разделами. В производстве целой главы слушайте непрерывность на переходах между абзацами и сценами, а также точность слов внутри каждого сегмента. Хорошая практическая проверка фиксирует строки, которым нужны правки произношения или исполнения, вместо переписывания всего голосового брифа после каждого дубля.

Flash TTS и Flash-Lite TTS используют общую структуру подготовки 3.8, поэтому версию можно выбирать по требованиям работы. Flash TTS выделяет актёрскую игру, сложные диалоги, трудное произношение и более широкий охват диалектов; Flash-Lite — производительность для обычного речевого контента. Выразительные настройки касаются человеческой речи и голосовых событий. Фоновые эффекты, музыку и готовый производственный микс можно планировать как отдельные материалы. Написание сценария, перевод и распознавание записанной речи остаются самостоятельными этапами вокруг этой модели преобразования текста в аудио.