Gemini 3.1 Flash Tts Preview

โมเดลเสียงพูดของ Google สำหรับพากย์ข้อความ โดยควบคุมลีลาการเล่าเรื่องและใช้แท็กเสียงเพื่อสื่ออารมณ์

Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech gemini-3.1-flash-tts-preview

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Gemini 3.1 Flash TTS Preview แปลงข้อความเป็นเสียงพูด มีไว้สำหรับการพากย์ที่ฟังเป็นธรรมชาติและควบคุมการเล่าเรื่องผ่านคำสั่งข้อความ กำหนดลีลาการออกเสียงร่วมกับคำสั่งด้านเสียงพูดได้ และแท็กเสียงช่วยถ่ายทอดอารมณ์ตามต้องการ

ข้อความกลายเป็นเสียง

อินพุตของโมเดลนี้คือ ข้อความ เอาต์พุตคือ เสียงบันทึก อินพุตสูงสุดคือ 8 192 โทเคน และเอาต์พุตสูงสุดคือ 16 384 โทเคน ออกแบบสำหรับสังเคราะห์เสียงพูดจากข้อความที่เตรียมไว้ ไม่ใช่โมเดลทั่วไปสำหรับตอบเป็นข้อความหรือถอดเสียงจากไฟล์ที่ส่งให้

รองรับทั้งการพากย์เสียงเดียวและบทสนทนาหลายผู้พูด การควบคุมการออกเสียงอาศัยคำสั่ง โดยอธิบายลักษณะการอ่านและการสื่ออารมณ์ของแต่ละประโยคได้ สำหรับงานเสียงที่ทำซ้ำ ผู้ผลิตระบุการสร้างแบบแบตช์

รูปแบบผลลัพธ์และความเชี่ยวชาญ

รูปแบบเสียงต้นทางของคำตอบทั่วไปคือ PCM ที่ไม่มี WAV header นี่เป็นลักษณะสำคัญของรุ่นพรีวิวนี้โดยเฉพาะ ไม่ควรถือโดยอัตโนมัติว่าไบต์ที่ส่งกลับมาเป็นไฟล์ WAV สำเร็จรูป

การ์ดโมเดลไม่ได้ระบุการแคชบริบท การรันโค้ด การค้นหาในไฟล์ การเรียกฟังก์ชัน การอ้างอิงข้อมูลจากการค้นหา Google Maps การสร้างภาพ คำตอบข้อความที่มีโครงสร้าง Thinking หรือการอ่านเนื้อหาจาก URL การสังเคราะห์เสียงพูดเป็นงานเอาต์พุตเฉพาะของโมเดล ความสามารถของโมเดลข้อความไม่ได้ใช้กับโมเดลนี้โดยอัตโนมัติ

รุ่นพรีวิว

gemini-3.1-flash-tts-preview เป็นหนึ่งในรุ่นพรีวิวเสียงพูดก่อนหน้า ควรพิจารณาวิธีควบคุมเสียงและรูปแบบเสียงแยกจากโมเดล TTS รุ่นถัดมา เวอร์ชันนี้ไม่ได้ระบุการสร้างลักษณะเสียงใหม่และการเลียนเสียงจากตัวอย่าง การ์ดไม่ได้ระบุจำนวนภาษาที่รองรับอย่างแน่นอน

ความสามารถที่อธิบายไว้เป็นของตัวโมเดล วิธีส่งข้อความ ตั้งค่าผู้พูด และรับไฟล์เสียงจริงขึ้นอยู่กับวิธีด้านเสียงพูดที่รองรับ

Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech gemini-3.1-flash-tts-preview

gemini-3.1-flash-tts-preview

Google /gemini-3.1-flash-tts-preview

เริ่มต้น

อินพุตที่รองรับ: ข้อความ
ผลลัพธ์: speech

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech

ขาเข้า: text
ขาออก: speech
รูปแบบเอาต์พุต: ไบต์เสียงรูปแบบดั้งเดิมหรือลิงก์แอสเซ็ต JSON

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด gemini-3.1-flash-tts-preview	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1	ค่าเริ่มต้น—
ฟิลด์`voice`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด Kore	ค่าเริ่มต้นKore
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด , wav, json	ค่าเริ่มต้น
ฟิลด์`stream_format`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด audio	ค่าเริ่มต้น—

ชุดผสมของสื่ออินพุต

text_to_speech · จำเป็น: input

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`material_types`	ข้อกำหนดtext
พารามิเตอร์`required`	ข้อกำหนดnull
พารามิเตอร์`optional_controls`	ข้อกำหนดnull

วงจรการทำงาน: synchronous_result_then_owned_library

GET /v1/media/tasks/{task_id} · ค่า task_id ที่ส่งกลับมาจริง หรือระเบียนในคลังสื่อ

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

GET /v1/media/assets

GET /v1/media/assets/{asset_id}

รูปแบบเมธอดและ ID ระบุอย่างแม่นยำ ความสามารถของผู้ให้บริการแยกจากการอนุญาตให้รับคำขอ

ราคา

อัตราค่าบริการเมธอด Ailoot

Ailoot การสังเคราะห์เสียงพูดPOST /v1/audio/speech

ขาเข้า: US$0.001 / 1K
ขาออก: US$0.02 / 1K

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot · การสังเคราะห์เสียงพูด

ตัวอย่างเสียงพูด

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-3.1-flash-tts-preview", "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

รับและบันทึกผลลัพธ์

Ailoot · การสังเคราะห์เสียงพูด

ไบต์เสียงรูปแบบดั้งเดิมหรือลิงก์แอสเซ็ต JSON

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

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

ผลลัพธ์เดียวใช้ไบต์เสียงรูปแบบดั้งเดิมพร้อม Content-Type จริงเป็นค่าเริ่มต้น response_format=json หรือผลลัพธ์หลายรายการจะส่งกลับลิงก์ทั้งหมดที่เป็นของคุณ ไม่มีการแปลงตามที่ขอเป็น MP3/Opus/AAC/FLAC/PCM หรือ SSE

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ operation_id/X-Client-Request-ID เดิมไว้เพื่อกระทบยอดโดยไม่ส่งคำขอซ้ำ ไม่มีเส้นทางเฉพาะสำหรับตรวจสอบสถานะงานเสียงเป็นระยะ

ฟิลด์การตอบกลับ

ฟิลด์	ประเภท
ฟิลด์`binary native audio`	ประเภทbytes
ฟิลด์`model`	ประเภทstring
ฟิลด์`response_id`	ประเภทstring
ฟิลด์`actual_count`	ประเภทinteger
ฟิลด์`data[]`	ประเภทowned audio asset link

ข้อผิดพลาดและขั้นตอนถัดไป

การตอบกลับ	เงื่อนไข	ขั้นตอนถัดไป
การตอบกลับ400 · `invalid_request_error`	เงื่อนไขฟิลด์จำเป็น รูปแบบการแทนข้อมูล หรือค่าพารามิเตอร์ไม่ถูกต้อง	ขั้นตอนถัดไปแก้ฟิลด์ที่ระบุก่อนส่งคำขอสร้างครั้งใหม่
การตอบกลับ`server_error`	เงื่อนไขการตอบกลับที่ได้รับระบุว่าต้องตรวจสอบการดำเนินการหรือผลลัพธ์	ขั้นตอนถัดไปเก็บ ID การดำเนินการ/งานที่ส่งกลับมาแต่เดิม ส่วนหัวของคำขอ และการตอบกลับไว้ แล้วอ่านข้อมูลการดำเนินการเดิมนั้นต่อด้วยวิธีที่รองรับ ห้ามส่งคำขอสร้างซ้ำ

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot gemini-3.1-flash-tts-preview

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

gemini-3.1-flash-tts-preview

FAQ · Gemini 3.1 Flash Tts Preview

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · gemini-3.1-flash-tts-preview: text → speech
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · gemini-3.1-flash-tts-preview: model, input, voice, response_format, stream_format

Gemini 3.1 Flash Tts Preview