Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview je edícia rodiny Gemini 3.1 Flash Audio určená na prevod textu na reč. Prijíma text a vytvára hovorený zvuk s prednesom riadeným promptom. Google opisuje túto generáciu ako zlepšenie prirodzenosti reči, ovládateľnosti a viacjazyčného výkonu s natívnym dialógom viacerých hovoriacich a viac než 70 jazykmi. Praktickým použitím je krátka nahovorená lekcia, výmena replík medzi postavami alebo hovorená pasáž, pri ktorej záleží na prednese rovnako ako na znení.

Pripravte dokončený scenár a zadanie prednesu. Táto generácia využíva pokyny v prirodzenom jazyku v textovom vstupe na riadenie hlasového štýlu, tempa a prednesu. Vydanie Google zavádza scénické pokyny na určenie situácie, profily hovoriacich Audio Profiles na definovanie postáv a režijné poznámky Director’s Notes na vedenie tempa, tónu a prízvuku. Pri príprave promptu tieto časti jasne odlíšte, aby sa zamýšľané slová a pokyny pre prednes dali kontrolovať samostatne. Úsporné zadanie sa upravuje ľahšie než viacero konkurujúcich si opisov toho istého hlasu.

Pôvodné skúšobné zadanie môže napríklad opísať pokojného rozprávača vysvetľujúceho múzejný exponát, s rozvážnym frázovaním a vrúcnejším tónom v poslednej vete. Sprievodný scenár má obsahovať skutočné názvy exponátu a presné znenie, ktoré treba nahovoriť. Pri dialógu dajte postavám odlišné profily a jasné poradie replík. Kontextom scény vysvetlite, či jeden hovoriaci druhého upokojuje, kladie úprimnú otázku alebo reaguje so zdržanlivým prekvapením. Generovaným artefaktom, ktorý treba posúdiť, je počuteľný prednes tohto scenára.

Zvukové značky vložené do textu pridávajú lokálne ovládanie, ktoré umožňuje meniť výraz hovoriaceho v rámci vety namiesto úplného spoliehania sa na úvodný pokyn. Google opisuje značky ako prostriedok na riadenie hlasového štýlu, tempa a prednesu. Používajte ich tam, kde prednes potrebuje konkrétnu zmenu, a zvyšok znenia ponechajte prirodzený na vyslovenie. Užitočným rozlíšením v tejto edícii je rozdiel medzi všeobecným zadaním postavy alebo scény a lokálnou zmenou prednesu. Krátka neutrálna pasáž môže určiť základnú podobu hlasu ešte predtým, než scenár pridá výraznejšie emocionálne vedenie.

Pri viacjazyčnej práci poskytnite scenár v konečnom jazyku a v zadaní uveďte požadovaný prízvuk a štýl hovorenia. Oznámenie Google dokumentuje podporu viac než 70 jazykov. V rámci praktickej redakčnej prípravy používajte pri opakujúcich sa menách jednotný pravopis, rozviňte nejednoznačné skratky, ak je potrebný jeden spôsob čítania, a vo výslednej reči skontrolujte čísla. Samotné označenie jazyka neurčuje, ako má znieť názov značky alebo prevzatý výraz. Pred prijatím dlhej nahrávky porovnajte pasáže s týmito výrazmi so zamýšľanou výslovnosťou.

Stránka konkrétneho modelu Gemini API uvádza pre tento predbežne dostupný model vstupný limit 8 192 tokenov a výstupný limit 16 384 tokenov. Oficiálna karta modelu TTS od DeepMind samostatne uvádza textový vstup až 16K tokenov a zvukový výstup 32K tokenov; tieto údaje z karty modelu sa líšia od prevádzkových limitov Gemini API. Do pripraveného vstupu započítajte pokyny pre prednes aj scenár. Výstupný limit je vyjadrený v zvukových tokenoch, preto nezaručuje konkrétne trvanie nahrávky. Dlhú lekciu alebo príbeh rozdeľte do súvislých častí, zachovajte rovnaké zadanie postáv a vypočujte si spoje. Pri scenárovom dialógu kontrolujte okrem vyslovených slov a emocionálneho prednesu aj priradenie hovoriacich a poradie replík.

Migračná dokumentácia Google označuje predvolený výstup 3.1 ako surový PCM bez hlavičky s typom audio/l16. Pri príprave editovateľnej nahrávky potrebujú zvukové bajty príslušné informácie pre prehrávanie alebo kontajner; samotné pridanie názvu súboru WAV nevytvorí hlavičku WAV. Pred importovaním výsledku skontrolujte skutočne vrátený formát. Google tiež uvádza, že zvuk generovaný Gemini 3.1 Flash TTS nesie nepostrehnuteľný vodoznak SynthID. Vodoznak slúži na identifikáciu generovaného zvuku a nenahrádza prepis, označenia hovoriacich ani kontrolu počúvaním.

Spôsob prípravy pre 3.1 sa podstatne líši od 3.8. Gemini 3.8 presúva dlhodobo platné pokyny a identitu hovoriaceho do štruktúrovaných metadát reči, používa značky bodových udalostí v lomených zátvorkách a pri dokončených požiadavkách mení predvolený výstup na WAV. Prompt 3.1 zachovajte ako prompt 3.1 a nemiešajte doň novšiu štruktúru požiadavky. Tabuľka podporovaných modelov Google uvádza pre 3.1 syntézu jedného aj viacerých hovoriacich, zatiaľ čo ovládanie navrhnutého hlasu a replikácie hlasu patrí k položkám 3.8. Samostatná edícia Flash Live spracúva interaktívny zvukový vstup; táto edícia TTS slúži na pripravenú produkciu zvuku z textu.

Nahrávku porovnajte s písaným scenárom a skontrolujte vynechané alebo zopakované slová, mená, časovanie replík a zamýšľané emocionálne zmeny. Ak jedna veta potrebuje iný dôraz, upravte lokálny pokyn a skontrolujte dotknutý prechod. Tento postup dáva zadaniu prednesu praktický význam: zaznamenáva, čo má zostať na hovoriacom stabilné a čo sa má v danej pasáži zmeniť, zatiaľ čo scenár zachováva obsah, ktorý má publikum počuť.