Google: Gemini 3.8 Flash Lite TTS

Google Gemini 3.8 Flash-Lite TTS är den modell i Googles 3.8-familj för text-till-tal som är inriktad på hög genomströmning. Den tar ett skrivet manus och producerar talat ljud. Google positionerar den för uppläsningsfunktioner, vanliga berättaruppgifter med en talare, storskalig ljudproduktion och steget för talutdata i röstagentsystem. En användbar leverans är en artikel uppläst med en konsekvent röst, en muntlig produktförklaring eller en uppsättning korta instruktionsinspelningar. Manuset bör redan innehålla de ord som lyssnaren behöver höra.

Familjen 3.8 skiljer transkriptet från gestaltningsanvisningarna. Behåll den talade texten ordagrant och placera genomgående känsla, tempo, volym eller framförandestil i talmetadata. En varm introduktion, en brådskande instruktion och en lågmäld avslutning kan var och en ha en kort stilbeskrivning kopplad till sin egen tur. Text som ”Säg glatt” inne i transkriptet kan själv bli uppläst. Talarnamn hör hemma i talarmetadata i stället för som etiketter i det hörbara manuset. Denna förberedelse är särskilt viktig när du återanvänder promptar skrivna för Gemini 3.1 Flash TTS.

Använd inbäddade taggar inom vinkelparenteser för korta händelser på en specifik plats: ett andetag, ett skratt, en hostning, en suck eller en paus. Transkriptet ”Nästa steg är enkelt. <short pause> Välj önskat språk.” håller till exempel den avsedda pausen intill de ord den påverkar. Placera ett genomgående viskande framförande i stilbeskrivningen i stället för att upprepade gånger lägga till händelsetaggar. Google rekommenderar engelska taggnamn även för manus på andra språk. Dessa kontroller styr rösten; ett applådspår eller en dörr som slår igen kräver separat ljudproduktion i stället för en tagg för en rösthändelse.

Google listar 101 stödda språk för denna utgåva, däribland engelska, ryska, kinesiska, japanska, koreanska, franska, tyska, spanska, indonesiska och vietnamesiska. Skriv det färdiga manuset på det avsedda språket, inklusive önskad form av namn, förkortningar och tal. Som redaktionell förberedelse kan du skriva ut en tvetydig förkortning eller det avsedda uttalet av ett tal när lyssnaren måste höra en viss form. Lyssna på ett inledande avsnitt som innehåller de svåra namnen och övergångarna innan du betraktar en lång inspelning som färdig. Att ett visst antal språk stöds gör inte alla regionala uttal utbytbara.

Tillverkaren stöder färdiga röster, ett utökat röstbibliotek, utformade röstpersonligheter och röstreplikering. Välj röstidentiteten separat från tillfälliga gestaltningsanvisningar. Återanvänd identiteten och en kort framförandebeskrivning mellan avsnitten när berättandet ska förbli konsekvent. I den dokumenterade konfigurationen med två talare ska du ge varje tur en uttrycklig talare som matchar en av de två konfigurerade färdiga rösterna. Googles guide hanterar scener med flera karaktärer och utformade eller replikerade röster genom att generera de enskilda turerna. Denna skillnad är viktig när du planerar en dialog i stället för en ensam berättare.

För vanliga slutförda begäranden anger Googles 3.8-guide WAV-ljud med RIFF-huvud som innehåller 24 kHz mono, 16-bitars teckenförsedd little-endian PCM. Strömningskonfigurationen returnerar i stället som standard råa PCM-block utan filhuvud; guiden dokumenterar också kodningsalternativen rå linjär PCM, mu-law och A-law. Anpassa uppspelnings- eller redigeringsinställningarna till det faktiska utdataformatet. Att byta filändelse på PCM utan filhuvud till WAV tillför inte behållarinformationen. När separat genererade turer sätts samman ska du hålla ljudformatet konsekvent och behandla varje fullständig WAV som en fil med eget filhuvud.

Sidan för just denna modell listar Gemini API-gränser på 8 192 indatatoken och 16 384 utdatatoken. Ljudtoken uttrycker inte ett fast antal sekunder tal. Förbered långt material i meningsfulla avsnitt, behåll samma röst och stilanvisningar och lyssna vid skarvarna. Detta är tillverkarens dokumenterade API-gränser för modellen; de beskriver en annan storhet än ett generiskt kontextfält i en katalog. Text är indata och ljud är utdata, så manusutkast, översättning och transkription är separata förberedelse- eller uppföljningsuppgifter.

Flash-Lite delar strukturen för begäranden i 3.8 med Gemini 3.8 Flash TTS. Det praktiska valet gäller det framförande som krävs: Flash-Lite inriktas på snabb, upprepad produktion, medan Flash TTS är den kreativa nivån för svåra uttal, nyanserad gestaltning och bredare dialekttäckning. En vanlig hjälpartikel och en dramatisk scen med två karaktärer ställer olika krav på rösten. Kontrollera den faktiska inspelningen för utelämnade eller upprepade ord, uttal, tempo och hörbara förändringar mellan segmenten innan du använder den i den slutliga lyssningsupplevelsen.