Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview เปลี่ยนบทเขียนเป็นเสียงพูดถ่ายทอดอารมณ์ คำกำกับภาษาธรรมชาติ Audio Profiles ของผู้พูด Director’s Notes และแท็กเสียงในบรรทัดกำหนดจังหวะ น้ำเสียง และสำเนียง รองรับบทสนทนาในตัวและมากกว่า 70 ภาษา โดยใช้พรอมป์ต์และรูปแบบเสียง 3.1

Ailoot Ultra · เสียงพูด POST /v1/audio/speech google/gemini-3.1-flash-tts-preview

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Google Gemini 3.1 Flash TTS Preview เป็นรุ่นข้อความเป็นเสียงของตระกูล Gemini 3.1 Flash Audio รับข้อความและสร้างเสียงพูดที่ถ่ายทอดตามพรอมป์ต์ Google อธิบายว่ารุ่นนี้ปรับปรุงความเป็นธรรมชาติของเสียง การควบคุม และประสิทธิภาพหลายภาษา พร้อมการรองรับบทสนทนาหลายผู้พูดในตัวและมากกว่า 70 ภาษา ใช้จริงกับบทเรียนบรรยายสั้น บทสนทนาตัวละคร หรือข้อความพูดที่การถ่ายทอดสำคัญเท่าถ้อยคำ

เตรียมบทสมบูรณ์และบรีฟการแสดง รุ่นนี้ใช้คำสั่งภาษาธรรมชาติภายในอินพุตข้อความเพื่อกำกับสไตล์เสียง จังหวะ และการพูด การเปิดตัวของ Google นำเสนอคำกำกับฉากเพื่อวางสถานการณ์ Audio Profiles ผู้พูดเพื่อกำหนดตัวละคร และ Director’s Notes เพื่อกำกับจังหวะ น้ำเสียง และสำเนียง แยกส่วนเหล่านี้ให้ระบุได้เมื่อเตรียมพรอมป์ต์ เพื่อให้ตรวจคำที่จะพูดกับคำสั่งการแสดงแยกกันได้ บรีฟประหยัดถ้อยคำแก้ง่ายกว่าคำบรรยายเสียงเดียวกันหลายชุดที่ขัดกัน

ตัวอย่างบรีฟซ้อมอาจบรรยายผู้บรรยายสงบที่อธิบายชิ้นจัดแสดงพิพิธภัณฑ์ เว้นจังหวะการพูดอย่างพอดีและใช้น้ำเสียงอุ่นขึ้นในประโยคสุดท้าย บทที่แนบควรมีชื่อชิ้นจัดแสดงจริงและถ้อยคำที่ต้องพูดตรง สำหรับบทสนทนา ให้ตัวละครมีโปรไฟล์ต่างกันและลำดับเทิร์นชัด ใช้บริบทฉากอธิบายว่าผู้พูดคนหนึ่งปลอบอีกคน ถามด้วยความอยากรู้จริง หรือตอบอย่างประหลาดใจที่เก็บอาการ ชิ้นงานที่ต้องประเมินคือการแสดงเสียงที่ได้ยินของบทนั้น

แท็กเสียงในบรรทัดเพิ่มการควบคุมเฉพาะจุดในข้อความ ทำให้การแสดงผู้พูดเปลี่ยนภายในประโยคได้แทนพึ่งคำกำกับต้นอย่างเดียว Google อธิบายว่าแท็กควบคุมสไตล์เสียง จังหวะ และการพูด ใช้เมื่อการแสดงต้องเปลี่ยนเฉพาะ และให้ถ้อยคำส่วนอื่นพูดเป็นธรรมชาติ จุดแยกที่มีประโยชน์ในรุ่นนี้คือบรีฟตัวละครหรือฉากระดับสูงกับการเปลี่ยนการพูดเฉพาะจุด ข้อความกลางสั้น ๆ ใช้ตั้งเสียงฐานก่อนเพิ่มอารมณ์ในบทได้

สำหรับงานหลายภาษา ให้บทภาษาสุดท้ายและระบุสำเนียงกับสไตล์พูดที่ต้องการในบรีฟ ประกาศ Google ระบุรองรับมากกว่า 70 ภาษา ในการเตรียมบรรณาธิการ ให้ชื่อที่ซ้ำสะกดสอดคล้อง ขยายตัวย่อกำกวมเมื่อต้องการวิธีอ่านเดียว และตรวจตัวเลขในเสียง ป้ายภาษาอย่างเดียวไม่ได้ตัดสินว่าชื่อแบรนด์หรือคำยืมควรออกเสียงอย่างไร เทียบช่วงที่มีคำนั้นกับวิธีอ่านที่ต้องการก่อนรับงานบรรยายยาว

หน้าโมเดล Gemini API ตรงตัวระบุขีดจำกัดอินพุต 8,192 และเอาต์พุต 16,384 โทเคนสำหรับโมเดลพรีวิวนี้ ข้อมูลรุ่น TTS ดั้งเดิมของ DeepMind ระบุแยกเป็นอินพุตข้อความสูงสุด 16K และเอาต์พุตเสียง 32K โทเคน ตัวเลขข้อมูลรุ่นนั้นต่างจากขีดจำกัดให้บริการ Gemini API นับคำกำกับการแสดงเป็นส่วนอินพุตร่วมกับบท โควตาเอาต์พุตแสดงเป็นโทเคนเสียง จึงไม่รับรองระยะเวลาบันทึกเฉพาะ จัดบทเรียนหรือเรื่องยาวเป็นส่วนต่อเนื่อง รักษาบรีฟตัวละครเดียว และฟังรอยต่อ สำหรับบทสนทนาตามบท ตรวจการระบุผู้พูดและลำดับเทิร์นนอกเหนือคำพูดและการถ่ายทอดอารมณ์

เอกสารย้ายรุ่นของ Google ระบุเอาต์พุตเริ่มต้น 3.1 เป็น raw PCM ไม่มีส่วนหัว ชนิด audio/l16 ไบต์เสียงต้องมีข้อมูลการเล่นหรือคอนเทนเนอร์เหมาะสมเมื่อเตรียมเสียงแก้ไขได้ การเพิ่มชื่อไฟล์ WAV อย่างเดียวไม่ได้สร้างส่วนหัว WAV ตรวจรูปแบบที่คืนจริงก่อนอิมพอร์ต Google ยังระบุว่าเสียงที่ Gemini 3.1 Flash TTS สร้างมีลายน้ำ SynthID ที่รับรู้ไม่ได้ ลายน้ำใช้ระบุเสียงที่สร้างและไม่ได้แทนบทถอดเสียง ป้ายผู้พูด หรือการตรวจฟัง

สไตล์เตรียม 3.1 ต่างจาก 3.8 อย่างมีสาระ Gemini 3.8 ย้ายคำกำกับต่อเนื่องและเอกลักษณ์ผู้พูดไปเมทาดาทาเสียงมีโครงสร้าง ใช้แท็กวงเล็บมุมสำหรับเหตุการณ์เฉพาะจุด และเปลี่ยนค่าเริ่มต้นคำขอเสร็จเป็น WAV รักษาพรอมป์ต์ 3.1 เป็นพรอมป์ต์ 3.1 แทนผสมโครงสร้างคำขอใหม่ ตารางโมเดลที่รองรับของ Google ระบุการสังเคราะห์ผู้พูดเดียวและหลายผู้พูดสำหรับ 3.1 ส่วนตัวควบคุมเสียงออกแบบและจำลองเสียงอยู่ในรายการ 3.8 รุ่น Flash Live แยกรองรับอินพุตเสียงโต้ตอบ ส่วน TTS นี้ใช้ผลิตข้อความที่เตรียมเป็นเสียง

ตรวจบันทึกกับบทเขียนเรื่องคำตกหล่นหรือซ้ำ ชื่อ เวลาเทิร์น และการเปลี่ยนอารมณ์ที่ตั้งใจ หากประโยคหนึ่งต้องเน้นต่างไป ให้แก้คำกำกับเฉพาะจุดและตรวจช่วงเปลี่ยนที่ได้รับผล เวิร์กโฟลว์นี้ทำให้บรีฟการแสดงมีประโยชน์ เพราะบันทึกสิ่งที่ควรคงที่ของผู้พูดและสิ่งที่ควรเปลี่ยนในช่วงนั้น ส่วนบทรักษาเนื้อหาที่ผู้ฟังต้องได้ยิน

Ailoot Ultra · เสียงพูด POST /v1/audio/speech google/gemini-3.1-flash-tts-preview

google/gemini-3.1-flash-tts-preview

Google /google/gemini-3.1-flash-tts-preview

เริ่มต้น

อินพุตที่รองรับ: ข้อความ
ผลลัพธ์: เสียง

ใช้งานได้ใน Ailoot · อินพุตและเมธอด

Ailoot Ultra · เสียงพูด POST /v1/audio/speech

ขาเข้า: text
ขาออก: audio

ฟิลด์	ประเภท	ข้อกำหนด	ค่าและข้อจำกัด	ค่าเริ่มต้น
ฟิลด์`model`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด google/gemini-3.1-flash-tts-preview	ค่าเริ่มต้น—
ฟิลด์`input`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด ความยาวขั้นต่ำ: 1	ค่าเริ่มต้น—
ฟิลด์`voice`	ประเภท`string`	ข้อกำหนดจำเป็น	ค่าและข้อจำกัด Zephyr, Puck, Charon, Kore, Fenrir, Leda, Orus, Aoede, Callirrhoe, Autonoe, Enceladus, Iapetus, Umbriel, Algieba, Despina, Erinome, Algenib, Rasalgethi, Laomedeia, Achernar, Alnilam, Schedar, Gacrux, Pulcherrima, Achird, Zubenelgenubi, Vindemiatrix, Sadachbia, Sadaltager, Sulafat ความยาวขั้นต่ำ: 1	ค่าเริ่มต้น—
ฟิลด์`response_format`	ประเภท`string`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด mp3, pcm	ค่าเริ่มต้นpcm
ฟิลด์`provider`	ประเภท`object`	ข้อกำหนดไม่บังคับ	ค่าและข้อจำกัด	ค่าเริ่มต้น—

พารามิเตอร์และวงจรการทำงานของเมธอด

พารามิเตอร์	ข้อกำหนด
พารามิเตอร์`content_type`	ข้อกำหนดapplication/json
พารามิเตอร์`required`	ข้อกำหนดmodel, input, voice
พารามิเตอร์`material_types`	ข้อกำหนดtext

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}

ราคา

ข้อมูลอัตราราคาไม่ได้เพิ่มตัวเลือกคำขอ พารามิเตอร์ที่รองรับระบุไว้สำหรับเมธอดที่เลือก

โหมดรวดเร็ว: ไม่ได้ระบุ เมื่อเลือกโหมดรวดเร็ว
โหมดยืดหยุ่น: ไม่ได้ระบุ เมื่อเลือกโหมด flex
ระดับการใช้เหตุผลสูงสุด: ไม่ได้ระบุ เมื่อใช้การปรับตามค่าเริ่มต้น (default) สำหรับระดับการใช้เหตุผลสูงสุด

อัตราค่าบริการ Ailoot

ราคาตามการตั้งค่า

เทียบค่าบริการแต่ละรายการกับเงื่อนไขที่แสดง เลือกใช้อัตราเดียวสำหรับแต่ละชุดการตั้งค่าที่เป็นตัวเลือกทดแทนกัน

การตั้งค่า	ตารางอัตราค่าบริการ	หน่วยคิดค่าบริการ	ค่าบริการ
การตั้งค่าอัตราค่าบริการโทเคนพื้นฐาน	ตารางอัตราค่าบริการอัตราพื้นฐาน	หน่วยคิดค่าบริการ—	ค่าบริการ ขาเข้า · โทเค็นอินพุต — / 1K โทเค็น ขาออก · โทเค็นเอาต์พุต — / 1K โทเค็น ขาเข้า · การอ่านแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช — / 1K โทเค็น ขาเข้า · การเขียนแคช, 1 ชั่วโมง — / 1K โทเค็น
การตั้งค่าโทเค็นอินพุต	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการ/ 1K โทเค็น	ค่าบริการ ขาเข้า $0.002 / 1K โทเค็น
การตั้งค่าโทเค็นเอาต์พุต	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการ/ 1K โทเค็น	ค่าบริการ ขาออก $0.04 / 1K โทเค็น

Ailoot กันยอดเงินประมาณการไว้ก่อนส่งคำขอ หลังได้ผลลัพธ์ จะคิดค่าบริการสุดท้ายตามการใช้งานที่วัดได้ การคิดค่าบริการแบบสตรีมใช้บันทึกการใช้งานสุดท้าย วิธีกันยอดเงินและคิดค่าบริการสุดท้าย →

ตัวอย่างคำขอ

Ailoot Ultra · เสียงพูด

ใช้ข้อมูลเข้าจริงและเก็บผลลัพธ์ไว้ให้ครบถ้วน

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
: "${AILOOT_INPUT_TEXT:?Set the actual documented input value}"
export AILOOT_INPUT_TEXT
python3 - <<'PY_REQUEST'
import json,os
from pathlib import Path
request={'model': 'google/gemini-3.1-flash-tts-preview', 'input': '${ACTUAL_INPUT_TEXT}', 'voice': 'Orus', 'response_format': 'pcm'}
request['input']=os.environ['AILOOT_INPUT_TEXT']
Path('request.json').write_text(json.dumps(request,ensure_ascii=False),encoding='utf-8')
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 response.bin
# Retain the complete response and headers, every actual output, original returned identifiers and all usage fields. Recover the original operation without submitting creation again.

รับและบันทึกผลลัพธ์

Ailoot Ultra · เสียงพูด

เสียงไบนารีทั้งหมดหรือการตอบกลับ audio_url เดิม ส่วนหัว และแอสเซ็ตทุกชิ้นที่เป็นของคุณ

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

การอ่านเนื้อหาแบบอื่น

อ่านไฟล์สื่อที่มีอยู่และเป็นของคุณ

set -eu
: "${AILOOT_API_KEY:?Set your Ailoot API key}"
curl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/media/assets \
  -H "Authorization: Bearer $AILOOT_API_KEY" -o owned-assets.json
# Preserve every returned asset and follow its exact signed content URL. Do not construct a signed token.

เก็บผลลัพธ์ที่เสร็จสมบูรณ์ทั้งหมด

เก็บทุกการตอบกลับ ไฟล์ และส่วนเนื้อหาที่ส่งกลับมาอย่างครบถ้วน

เก็บการตอบกลับและส่วนหัวให้ครบถ้วน เก็บผลลัพธ์จริงทุกรายการ ตัวระบุที่ส่งกลับมาแต่เดิม และฟิลด์ข้อมูลการใช้งานทั้งหมด กู้คืนการดำเนินการเดิมโดยไม่ส่งคำขอสร้างซ้ำ

เมื่อต้องตรวจสอบการตอบกลับต้นฉบับ

เก็บ X-Client-Request-ID ที่ส่งกลับมาไว้เพื่อกระทบยอด อ่านเฉพาะค่า task_id/asset_id ที่ส่งกลับมาจริง หรืออ่านจากคลังสื่อที่เป็นของตนเอง ห้ามสร้าง URL ของงานจาก ID การดำเนินการ และห้ามส่งคำขอสร้างซ้ำเด็ดขาด

ชื่ออื่น

ชื่ออื่นของโมเดล

Ailoot Ultra google/gemini-3.1-flash-tts-preview

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

google/gemini-3.1-flash-tts-preview

FAQ · Google: Gemini 3.1 Flash TTS Preview

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

Google: Gemini 3.1 Flash TTS Preview