Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview je izdaja za pretvorbo besedila v govor iz družine Gemini 3.1 Flash Audio. Sprejema besedilo in ustvarja govorni zvok z izraznostjo, usmerjeno s pozivom. Google to generacijo opisuje kot izboljšanje naravnosti govora, možnosti usmerjanja in večjezične zmogljivosti, z neposrednim ustvarjanjem dialoga več govorcev in podporo za več kot 70 jezikov. Praktična uporaba je kratka pripovedovana učna vsebina, izmenjava med liki ali govorjeni odlomek, pri katerem je izvedba enako pomembna kot ubeseditev.

Pripravite dokončan scenarij in navodila za govorno izvedbo. Ta generacija uporablja navodila v naravnem jeziku znotraj besedilnega vhoda za usmerjanje glasovnega sloga, tempa in izvedbe. Googlova objava uvaja navodila za prizor, ki določijo situacijo, govorčeve Audio Profiles za opredelitev likov in Director’s Notes za usmerjanje tempa, tona in naglasa. Pri pripravi poziva naj bodo ti deli prepoznavni, da je mogoče predvidene besede in navodila za izvedbo pregledati ločeno. Jedrnata navodila je lažje popravljati kot več med seboj tekmujočih opisov istega glasu.

Izvirna navodila za vajo lahko na primer opišejo mirnega pripovedovalca, ki razlaga muzejski eksponat, z umirjenim ritmom in toplejšim tonom pri zadnji povedi. Priloženi scenarij naj vsebuje dejanska imena eksponata in natančno ubeseditev, ki jo je treba izgovoriti. Pri dialogu likom določite različne profile in jasno zaporedje govornih izmenjav. S kontekstom prizora pojasnite, ali en govorec drugega pomirja, postavlja iskreno vprašanje ali se odziva z zadržanim presenečenjem. Ustvarjeni izdelek, ki ga je treba oceniti, je slišna izvedba tega scenarija.

Zvočne oznake znotraj besedila dodajajo lokalni nadzor in omogočajo, da se govorčeva izraznost spremeni znotraj povedi, namesto da bi bila v celoti odvisna od uvodnih navodil. Google oznake opisuje kot sredstvo za usmerjanje glasovnega sloga, tempa in izvedbe. Uporabite jih tam, kjer izvedba potrebuje določen premik, preostalo besedilo pa naj bo naravno za izgovorjavo. Koristna razlika pri tej izdaji je med splošnimi navodili za lik ali prizor in lokalno spremembo izvedbe. Kratek nevtralen odlomek lahko vzpostavi osnovni glas, preden scenarij doda več čustvenih navodil.

Pri večjezičnem delu priložite scenarij v končnem jeziku ter v navodilih navedite želeni naglas in način govora. Googlova objava dokumentira podporo za več kot 70 jezikov. Kot praktično uredniško pripravo dosledno zapisujte ponavljajoča se imena, razpišite dvoumne okrajšave, kadar je potrebno eno določeno branje, in preverite števila v govornem rezultatu. Samo oznaka jezika ne določa, kako naj zveni ime znamke ali prevzet izraz. Pred sprejetjem dolge pripovedi odlomke s temi izrazi primerjajte s predvideno izgovorjavo.

Stran modela Gemini API za ta model v predogledu navaja vhodno omejitev 8,192 žetonov in izhodno omejitev 16,384 žetonov. DeepMindova izvirna kartica modela TTS ločeno navaja besedilni vhod do 16K žetonov in zvočni izhod 32K žetonov; te številke iz kartice modela se razlikujejo od omejitev strežnega okolja Gemini API. V pripravljeni vhod poleg scenarija vštejte tudi navodila za izvedbo. Izhodni obseg je izražen v zvočnih žetonih, zato ne zagotavlja določenega trajanja posnetka. Dolgo učno vsebino ali zgodbo razdelite na smiselne odseke, ohranite ista navodila za like in poslušajte stike med odseki. Pri scenariju dialoga poleg izgovorjenih besed in čustvene izvedbe preverite tudi pripisovanje govorcem in vrstni red izmenjav.

Googlova dokumentacija za prehod določa privzeti izhod različice 3.1 kot surovi PCM brez glave s tipom audio/l16. Pri pripravi posnetka za urejanje zvočni bajti potrebujejo ustrezne podatke za predvajanje ali vsebnik; samo dodajanje končnice WAV imenu datoteke ne ustvari glave WAV. Pred uvozom rezultata preverite dejansko vrnjeno obliko. Google navaja tudi, da zvok, ustvarjen z Gemini 3.1 Flash TTS, vsebuje nezaznaven vodni žig SynthID. Vodni žig je namenjen prepoznavanju ustvarjenega zvoka in ne nadomešča prepisa, oznak govorcev ali pregleda s poslušanjem.

Način priprave za 3.1 se bistveno razlikuje od 3.8. Gemini 3.8 trajna navodila in identiteto govorca premakne v strukturirane govorne metapodatke, uporablja oznake za točkovne dogodke v kotnih oklepajih in privzeto obliko pri dokončanih zahtevah spremeni v WAV. Poziv za 3.1 ohranite kot poziv za 3.1, namesto da bi vanj mešali novejšo strukturo zahteve. Googlova preglednica podprtih modelov za 3.1 navaja sintezo govora z enim in z več govorci, medtem ko nastavitve oblikovanih glasov in posnemanja glasu pripadajo vnosom 3.8. Ločena izdaja Flash Live obravnava interaktivni zvočni vhod; ta izdaja TTS je namenjena pripravljeni produkciji iz besedila v zvok.

Posnetek primerjajte s pisnim scenarijem in preverite izpuščene ali ponovljene besede, imena, časovni potek govornih izmenjav in predvidene čustvene spremembe. Če ena poved potrebuje drugačen poudarek, spremenite lokalno navodilo in preglejte zadevni prehod. S takim postopkom so navodila za izvedbo uporabna: beležijo, kaj mora pri govorcu ostati stalno in kaj se mora v posameznem odlomku spremeniti, scenarij pa ohranja vsebino, ki jo mora občinstvo slišati.