Gemini 3.8 Flash Tts

โมเดลเสียงพูดของ Google สำหรับการพากย์ที่สื่ออารมณ์ หนังสือเสียง และบทสนทนา โดยควบคุมเสียงได้และรองรับ 130 ภาษา

Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech gemini-3.8-flash-tts

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Gemini 3.8 Flash TTS ใช้สำหรับการพากย์ที่สื่ออารมณ์และการเล่าเรื่องยาว Google เน้นหนังสือเสียง บทสนทนาหลายผู้พูด และความสม่ำเสมอของเสียงตลอดช่วงยาว การควบคุมเสียงพูดครอบคลุมการถ่ายทอดอารมณ์ จังหวะ และการออกเสียง รวมถึงสำเนียงภูมิภาคและภาษาถิ่น

เสียงและภาษา

โมเดลระบุว่ารองรับ 130 ภาษา รวมถึงภาษารัสเซีย มี เสียงสำเร็จรูป 30 เสียง คลังเสียงเพิ่มเติม การสร้างลักษณะเสียงจากคำอธิบาย และการเลียนเสียงจากตัวอย่าง ความสามารถเหล่านี้ช่วยเลือกโทนเสียงและลักษณะการถ่ายทอดให้เหมาะกับเนื้อหา

ประโยคในบทสนทนาผูกกับผู้พูด คำขอหลายผู้พูดหนึ่งครั้งใช้เสียงสำเร็จรูปได้ไม่เกินสองเสียง สำหรับเสียงที่สร้างจากคำอธิบายหรือตัวอย่าง ต้องสังเคราะห์แต่ละประโยคแยกกัน การมีเสียงเช่นนี้ไม่ได้ทำให้กลายเป็นเสียงสำเร็จรูปเพิ่มเติมภายในคำขอหลายเสียง

ข้อความและการควบคุมการถ่ายทอด

อินพุตคือ ข้อความ เอาต์พุตคือ เสียง ขีดจำกัดคือ โทเคนอินพุต 8 192 โทเคน และ โทเคนเอาต์พุต 16 384 โทเคน ข้อความถือเป็นประโยคที่จะพูด ส่วนคำอธิบายสไตล์และผู้พูดที่เลือกกำหนดแยกกัน จึงแยกคำที่ต้องออกเสียงออกจากคำสั่งว่าต้องอ่านอย่างไรได้

สไตล์ครอบคลุมอารมณ์ จังหวะ ความดัง และท่วงทำนองการพูด เหตุการณ์สั้น เช่น เสียงหัวเราะ ถอนหายใจ หรือหยุดเว้นช่วง กำหนดด้วยแท็กเสียงพิเศษภายในประโยค แท็กเหล่านี้ใช้ควบคุมการถ่ายทอด ไม่ใช่คำทั่วไปที่ต้องอ่านออกเสียง

รูปแบบเสียงและความสามารถ

การสร้างทั่วไปส่งกลับ WAV โดยค่าเริ่มต้น การส่งแบบสตรีมใช้ PCM ที่ไม่มี header โดยค่าเริ่มต้น พารามิเตอร์ต้นทางคือ 24 kHz หนึ่งช่องสัญญาณ และ 16 บิต ยังรองรับ PCM, mu-law และ A-law รองรับการแคชบริบทและการประมวลผลแบบแบตช์ รูปแบบไฟล์จริงและการตั้งค่าที่ใช้ได้ขึ้นอยู่กับวิธีด้านเสียงพูดที่เลือก

โมเดลเชี่ยวชาญการสร้างเสียงพูด ไม่รองรับการเรียกฟังก์ชัน การรันโค้ด การค้นหาในไฟล์ การอ้างอิงข้อมูลจากการค้นหา Google Maps การสร้างภาพ คำตอบข้อความที่มีโครงสร้าง Thinking และเนื้อหาจาก URL ความสม่ำเสมอของเสียงและการสื่ออารมณ์ที่ควบคุมได้เป็นแนวทางที่โมเดลระบุ ไม่ใช่คำมั่นว่าจะออกเสียงทุกประโยคได้สมบูรณ์แบบ

Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech gemini-3.8-flash-tts

gemini-3.8-flash-tts

Google /gemini-3.8-flash-tts

เริ่มต้น

อินพุตที่รองรับ: ข้อความ
ผลลัพธ์: เสียง

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot · การสังเคราะห์เสียงพูด POST /v1/audio/speech

ขาเข้า: text
ขาออก: audio
บริบท: 8,192 tokens
เอาต์พุตสูงสุด: 16,384 tokens
รูปแบบเอาต์พุต: ไบต์เสียงรูปแบบดั้งเดิมหรือลิงก์แอสเซ็ต JSON

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด gemini-3.8-flash-tts	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1	ค่าเริ่มต้น—
ฟิลด์`voice`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด Achernar, Achird, Algenib, Algieba, Alnilam, Aoede, Arlo, Autonoe, Bodi, Brio, Callirrhoe, Charon, Cleo, Cruz, Daro, Despina, Elio, Enceladus, Enya, Enzo, Erinome, Fenrir, Finn, Fola, Gacrux, Gero, Hali, Iapetus, Jett, Jori, Kira, Knox, Koda, Kore, Laomedeia, Leda, Lora, Ludo, Lumi, Mako, Milo, Neno, Nika, Nyla, Olin, Orus, Puck, Pulcherrima, Rami, Rasalgethi, Riko, Rina, Sadachbia, Sadaltager, Sami, Schedar, Sola, Sulafat, Tari, Tavi, Tova, Umbriel, Varo, Veda, Vindemiatrix, Zali, Zeno, Zephyr, Zubenelgenubi, Zuri	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$0.0005 / 1K
ขาออก: US$0.009 / 1K
การอ่านแคช: US$0.000125 / 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-3.8-flash-tts", "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-3.8-flash-tts

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

gemini-3.8-flash-tts

FAQ · Gemini 3.8 Flash Tts

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · gemini-3.8-flash-tts: text → audio
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · gemini-3.8-flash-tts: model, input, voice, response_format, stream_format
มีข้อจำกัดใดบ้าง?: POST /v1/audio/speech · gemini-3.8-flash-tts: ctx: 8192; max_out: 16384

Gemini 3.8 Flash Tts