Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview är text-till-tal-utgåvan i familjen Gemini 3.1 Flash Audio. Den tar emot text och producerar talat ljud med uttryck som styrs genom prompten. Google beskriver generationen som en förbättring av talets naturlighet, styrbarhet och flerspråkiga prestanda, med inbyggd dialog mellan flera talare och fler än 70 språk. En praktisk användning är en kort berättad lektion, en replikväxling mellan karaktärer eller ett talat avsnitt där framförandet är lika viktigt som ordalydelsen.

Förbered ett färdigt manus och en beskrivning av framförandet. Den här generationen använder instruktioner på naturligt språk i textindata för att vägleda röststil, tempo och framförande. Googles lansering introducerar scenregi för att etablera en situation, talarnas Audio Profiles för att definiera karaktärer och Director’s Notes för att styra tempo, ton och accent. Håll delarna tydligt identifierbara när prompten förbereds så att de avsedda orden och instruktionerna för framförandet kan granskas var för sig. En koncis beskrivning är lättare att revidera än flera konkurrerande beskrivningar av samma röst.

En egen repetitionsbeskrivning kan till exempel beskriva en lugn berättare som förklarar ett museiföremål, med ett välavvägt tempo i fraseringen och varmare ton i den sista meningen. Det tillhörande manuset ska innehålla föremålets faktiska namn och den exakta ordalydelse som ska läsas upp. För dialog ska karaktärerna få tydligt skilda profiler och en klar turordning. Använd scenkontexten för att förklara om en talare lugnar den andra, ställer en uppriktig fråga eller svarar med återhållen förvåning. Den genererade artefakt som ska bedömas är det hörbara framförandet av manuset.

Infogade ljudtaggar ger lokal styrning inuti texten och låter en talares uttryck ändras inom en mening i stället för att helt förlita sig på den inledande regin. Google beskriver taggarna som reglage för röststil, tempo och framförande. Använd dem där framförandet behöver ett särskilt skifte och låt resten av ordalydelsen vara naturlig att uttala. Den användbara skillnaden i den här utgåvan går mellan den övergripande karaktärs- eller scenbeskrivningen och den lokala förändringen i framförandet. Ett kort neutralt avsnitt kan etablera grundrösten innan manuset tillför mer känslomässig regi.

För flerspråkigt arbete ska du tillhandahålla manuset på det slutliga språket och ange önskad accent och talstil i uppdragsbeskrivningen. Googles tillkännagivande dokumenterar stöd för fler än 70 språk. Som praktisk redaktionell förberedelse ska återkommande namn få en konsekvent stavning, tvetydiga förkortningar skrivas ut när en bestämd utläsning krävs och tal kontrolleras i det talade resultatet. En språketikett avgör inte ensam hur ett varumärkesnamn eller lånord ska låta. Jämför avsnitt med sådana termer med den avsedda utläsningen innan en lång berättarröst godkänns.

Den exakta modellsidan för Gemini API anger en indatagräns på 8,192 token och en utdatagräns på 16,384 token för den här förhandsmodellen. DeepMinds ursprungliga TTS-modellkort anger separat textindata upp till 16K token och ljudutdata på 32K token; dessa modellkortsvärden är skilda från leveransgränserna för Gemini API. Räkna in regianvisningarna i de förberedda indata tillsammans med manuset. Utdatautrymmet uttrycks i ljudtoken och garanterar därför inte en viss inspelningslängd. Dela upp en lång lektion eller berättelse i sammanhängande avsnitt, behåll samma karaktärsbeskrivning och lyssna på övergångarna. För manusbaserad dialog ska du kontrollera talartilldelning och turordning utöver de uttalade orden och det känslomässiga framförandet.

Googles migreringsdokumentation anger att standardutdata för 3.1 är rå PCM utan header med typen audio/l16. Ljuddata behöver rätt uppspelnings- eller containerinformation när en redigerbar inspelning förbereds; att bara lägga till ett WAV-filnamn skapar ingen WAV-header. Kontrollera det faktiska returnerade formatet innan resultatet importeras. Google anger också att ljud som genereras av Gemini 3.1 Flash TTS har en omärklig SynthID-vattenstämpel. Vattenstämpeln gäller identifiering av genererat ljud och ersätter inte en transkription, talaretiketter eller en genomlyssning.

Förberedelsestilen för 3.1 skiljer sig väsentligt från 3.8. Gemini 3.8 flyttar fortlöpande instruktioner och talaridentitet till strukturerade talmetadata, använder punktvisa händelsetaggar inom vinkelparenteser och ändrar standardformatet för färdiga förfrågningar till WAV. Bevara en 3.1-prompt som en 3.1-prompt i stället för att blanda in den nyare förfrågningsstrukturen. Googles tabell över stödda modeller listar syntes med en respektive flera talare för 3.1, medan reglagen för designade röster och röstreplikering tillhör posterna för 3.8. Den separata utgåvan Flash Live hanterar interaktiva ljudindata; den här TTS-utgåvan används för förberedd produktion från text till ljud.

Granska inspelningen mot det skrivna manuset för utelämnade eller upprepade ord, namn, replikernas tidsplacering och avsedda känslomässiga förändringar. Om en mening behöver en annan betoning ska den lokala regin revideras och den berörda övergången granskas. Arbetsflödet gör beskrivningen av framförandet användbar: den dokumenterar vad som ska förbli stabilt hos talaren och vad som ska ändras i avsnittet, medan manuset bevarar det innehåll publiken behöver höra.