Gemini 3.8 Flash Tts

Rečový model Googlu na expresívne hlasové spracovanie, audioknihy a dialógy s riadením hlasu a podporou 130 jazykov.

Ailoot · Syntéza reči POST /v1/audio/speech gemini-3.8-flash-tts

O modeli

Tento opis pokrýva možnosti modelu. Dostupné vstupy, výstupy a voľby v Ailoot sú uvedené nižšie pre vybranú metódu.

Gemini 3.8 Flash TTS je určená na expresívne hlasové spracovanie a dlhé rozprávanie. Google vyzdvihuje audioknihy, dialógy s viacerými hovoriacimi a stálosť hlasu v dlhých úsekoch. Riadenie reči zahŕňa emocionálne podanie, rytmus a výslovnosť vrátane regionálnych prízvukov a dialektov.

Hlasy a jazyky

Pre model je deklarovaných 130 jazykov, vrátane ruštiny. Dostupných je 30 hotových hlasov, rozšírená knižnica, tvorba hlasovej podoby podľa opisu a reprodukcia hlasu podľa vzorky. Tieto možnosti umožňujú voliť farbu hlasu a charakter prednesu pre konkrétny materiál.

Repliky dialógu sa spájajú s hovoriacimi. Jedna požiadavka s viacerými hovoriacimi môže používať najviac dva hotové hlasy. Pri hlasoch vytvorených podľa opisu alebo vzorky sa repliky syntetizujú samostatne; existencia takéhoto hlasu z neho nerobí ďalší hotový hlas v rámci požiadavky s viacerými hlasmi.

Text a riadenie podania

Vstupom je text, výstupom audio. Limity sú 8 192 vstupných tokenov a 16 384 výstupných tokenov. Text sa chápe ako vyslovovaná replika; opis štýlu a zvolený hovoriaci sa zadávajú samostatne. To umožňuje oddeliť slová, ktoré majú zaznieť, od pokynov, ako ich čítať.

Štýl zahŕňa emóciu, tempo, hlasitosť a prozódiu. Krátke udalosti — smiech, povzdych, pauza — sa zadávajú špeciálnymi audiotagmi v replike. Tieto tagy riadia prednes a nie sú bežnými slovami na prečítanie.

Audioformáty a možnosti

Pri bežnom generovaní sa predvolene vracia WAV. Pre streamovanie sa predvolene používa PCM bez hlavičky. Základné parametre sú 24 kHz, jeden kanál a 16 bitov. K dispozícii sú aj PCM, mu-law a A-law. Podporované sú ukladanie kontextu do vyrovnávacej pamäte a dávkové spracovanie. Konkrétny formát súboru a dostupné nastavenia závisia od zvolenej rečovej metódy.

Model sa špecializuje na tvorbu reči. Volania funkcií, vykonávanie kódu, vyhľadávanie v súboroch, podloženie odpovedí vyhľadávaním, Google Maps, generovanie obrázkov, štruktúrované textové odpovede, Thinking ani obsah webových adries nie sú podporované. Stály hlas a riadená expresivita sú deklarovanými cieľmi modelu, nie prísľubom dokonalej výslovnosti každej repliky.

Ailoot · Syntéza reči POST /v1/audio/speech gemini-3.8-flash-tts

gemini-3.8-flash-tts

Google /gemini-3.8-flash-tts

Úvod

Rečový model Googlu na expresívne hlasové spracovanie, audioknihy a dialógy s riadením hlasu a podporou 130 jazykov.

Povolené vstupy: Text
Výsledky: Audio

Dostupné v Ailoot · vstupy a metódy

Ailoot · Syntéza reči POST /v1/audio/speech

Vstup: text
Výstup: audio
Kontext: 8 192 tokens
Maximálny výstup: 16 384 tokens
Výstupný formát: natívne bajty zvuku alebo odkazy na súbory v JSON

Pole	Typ	Požiadavka	Hodnoty a limity	Predvolené
Pole`model`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity gemini-3.8-flash-tts	Predvolené—
Pole`input`	Typ`string`	PožiadavkaPovinné	Hodnoty a limity Minimálna dĺžka: 1	Predvolené—
Pole`voice`	Typ`string`	PožiadavkaVoliteľné	Hodnoty a limity Achernar, Achird, Algenib, Algieba, Alnilam, Aoede, Arlo, Autonoe, Bodi, Brio, Callirrhoe, Charon, Cleo, Cruz, Daro, Despina, Elio, Enceladus, Enya, Enzo, Erinome, Fenrir, Finn, Fola, Gacrux, Gero, Hali, Iapetus, Jett, Jori, Kira, Knox, Koda, Kore, Laomedeia, Leda, Lora, Ludo, Lumi, Mako, Milo, Neno, Nika, Nyla, Olin, Orus, Puck, Pulcherrima, Rami, Rasalgethi, Riko, Rina, Sadachbia, Sadaltager, Sami, Schedar, Sola, Sulafat, Tari, Tavi, Tova, Umbriel, Varo, Veda, Vindemiatrix, Zali, Zeno, Zephyr, Zubenelgenubi, Zuri	PredvolenéKore
Pole`response_format`	Typ`string`	PožiadavkaVoliteľné	Hodnoty a limity , wav, json	Predvolené
Pole`stream_format`	Typ`string`	PožiadavkaVoliteľné	Hodnoty a limity audio	Predvolené—

Kombinácie vstupných podkladov

text_to_speech · Povinné: input

Parametre a životný cyklus metódy

Parameter	Špecifikácia
Parameter`material_types`	Špecifikáciatext
Parameter`required`	Špecifikácianull
Parameter`optional_controls`	Špecifikácianull

Životný cyklus: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · skutočne vrátené task_id alebo záznam v knižnici médií

GET /v1/media/assets/{asset_id}/content

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

Štruktúry metód a ID sú presné; možnosti dodávateľa sa posudzujú oddelene od prijatia požiadavky.

Cenník

Sadzby metód Ailoot

Ailoot Syntéza rečiPOST /v1/audio/speech

Vstup: 0,0005 USD / 1K
Výstup: 0,009 USD / 1K
Čítanie cache: 0,000125 USD / 1K

Ailoot pred požiadavkou rezervuje odhadovanú sumu. Po získaní výsledku vyúčtuje konečný poplatok podľa nameraného využitia. Pri streamovaní sa vyúčtovanie riadi konečným záznamom využitia. Ako funguje rezervácia a vyúčtovanie →

Príklady požiadaviek

Ailoot · Syntéza reči

Príklad syntézy reči

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"
export AILOOT_TEXT_FILE
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
p=json.loads('{"model": "gemini-3.8-flash-tts", "input": ""}')
f=Path(os.environ["AILOOT_TEXT_FILE"])
if not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")
text=f.read_text(encoding="utf-8")
if not text.strip():raise SystemExit("Source material must contain text")
p["input"]=text
Path("request.json").write_text(json.dumps(p,ensure_ascii=False))
PY_REQUEST
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \
  -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \
  --data-binary @request.json -D response-headers.txt -o speech.wav

Prijať a uložiť výsledky

Ailoot · Syntéza reči

natívne bajty zvuku alebo odkazy na súbory v JSON

GET /v1/media/tasks/{task_id}
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}

Uchovať všetky dokončené výsledky

Uložte každú úplnú vrátenú odpoveď, súbor a časť obsahu.

Jediný výstup predvolene vracia natívne bajty zvuku so skutočným Content-Type; pri response_format=json alebo viacerých výstupoch sa vracajú všetky odkazy vo vašom vlastníctve. Konverzia na požadovaný formát MP3/Opus/AAC/FLAC/PCM ani SSE sa nepodporujú.

Ak treba overiť pôvodnú odpoveď

Uchovajte pôvodné operation_id/X-Client-Request-ID na zosúladenie záznamov bez opätovného odoslania; neexistuje samostatná trasa na priebežné zisťovanie stavu zvuku.

Polia odpovede

Pole	Typ
Pole`binary native audio`	Typbytes
Pole`model`	Typstring
Pole`response_id`	Typstring
Pole`actual_count`	Typinteger
Pole`data[]`	Typowned audio asset link

Chyby a ďalšie kroky

Odpoveď	Podmienka	Ďalší krok
Odpoveď400 · `invalid_request_error`	PodmienkaNeplatné povinné polia, reprezentácia materiálu alebo hodnota parametra	Ďalší krokPred novou požiadavkou na vytvorenie opravte uvedené polia.
Odpoveď`server_error`	PodmienkaVrátená odpoveď uvádza, že operáciu alebo výsledok je potrebné skontrolovať	Ďalší krokUchovajte pôvodné vrátené ID operácie/úlohy, hlavičky požiadavky a odpoveď; naďalej čítajte údaje o tejto pôvodnej operácii podporovaným spôsobom. Požiadavku na vytvorenie znova neodosielajte.

Aliasy

Aliasy modelov

Ailoot gemini-3.8-flash-tts

Aliasy ciest metód

Použite cesty metód uvedené vyššie.

Súvisiace ID na volanie

gemini-3.8-flash-tts

FAQ · Gemini 3.8 Flash Tts

Aké vstupy a výsledky sú dostupné?: POST /v1/audio/speech · gemini-3.8-flash-tts: text → audio
Aké polia používa požiadavka?: POST /v1/audio/speech · gemini-3.8-flash-tts: model, input, voice, response_format, stream_format
Aké limity platia?: POST /v1/audio/speech · gemini-3.8-flash-tts: ctx: 8192; max_out: 16384

Gemini 3.8 Flash Tts