Google: Gemini 3.8 Flash TTS

Google Gemini 3.8 Flash TTS สร้างเสียงพูดถ่ายทอดอารมณ์สำหรับหนังสือเสียง งานบรรยายสตูดิโอ และบทสนทนาตัวละคร ใช้บทพูดตรงตามต้นฉบับร่วมกับคำกำกับผู้พูดและการแสดงแยกต่างหาก แท็กเสียงชั่วขณะ และการรองรับ 130 ภาษา โดยเน้นการออกเสียง สำเนียงภูมิภาค และความต่อเนื่องของเสียง

Ailoot Ultra · เสียงพูด POST /v1/audio/speech google/gemini-3.8-flash-tts

เกี่ยวกับโมเดล

คำอธิบายนี้ครอบคลุมความสามารถของโมเดล อินพุต เอาต์พุต และตัวเลือกที่ใช้ได้ใน Ailoot แสดงด้านล่างตามเมธอดที่เลือก

Google Gemini 3.8 Flash TTS เป็นระดับการแสดงเสียงเชิงสร้างสรรค์ในตระกูลแปลงข้อความเป็นเสียง 3.8 ของ Google เน้นความเที่ยงตรงทางเสียง ช่วงอารมณ์ สำเนียงภูมิภาค และความต่อเนื่องของเสียงตัวละครในบทสนทนายาว Google เน้นหนังสือเสียง งานบรรยายสตูดิโอ คำออกเสียงยาก และฉากที่ต้องแสดงเสียงมาก เอาต์พุตคือเสียงพูดจากบทข้อความที่เตรียมไว้ เหมาะสำหรับตรวจการแสดงของผู้บรรยายหรือจัดบทสนทนาตามบทร่วมกับองค์ประกอบการผลิตอื่น

เริ่มด้วยคำที่ต้องได้ยินตรงตามจริง บทข้อความ 3.8 ถูกอ่านตามต้นฉบับ ส่วนผู้พูดและการแสดงต่อเนื่องอยู่ในเมทาดาทาเสียงแยก กำหนดเอกลักษณ์ผู้พูดแต่ละเทิร์นชัดเจน และเมื่อมีประโยชน์ ให้คำกำกับสไตล์สั้น ๆ เช่น กังวลอย่างเก็บอาการ หรือสงสัยอย่างร่าเริง แยกประโยคเป็นหลายเทิร์นเมื่ออารมณ์หรือจังหวะเปลี่ยนมาก ทำให้ตรวจบรีฟง่ายขึ้น เพราะบทข้อความมีบทสนทนา ส่วนคำกำกับแนบอธิบายวิธีแสดงส่วนนั้น คำสั่งทั่วไปที่ใส่ในบทข้อความอาจถูกอ่านออกเสียง

ระบบเสียง 3.8 ของ Google มีเสียงสำเร็จรูป คลังเสียงเพิ่มเติม บุคลิกเสียงที่ออกแบบ และเอกลักษณ์เสียงจำลอง เลือกบุคลิกพื้นฐานก่อนใช้การแสดงชั่วคราว สำเนียงภูมิภาคหรือเอกลักษณ์ตัวละครที่คงที่เป็นคุณสมบัติของเสียงที่เลือก ส่วนฟิลด์ style ควบคุมการแสดงครั้งนี้ ผู้พัฒนาแนะนำให้ใช้เสียงนั้นซ้ำพร้อมคำกำกับสั้น แทนการทำบล็อก Audio Profile หรือ Director’s Notes ยาวซ้ำ ค่ากำหนดบทสนทนาคำขอเดียวที่ระบุรวมผู้พูดสำเร็จรูปสูงสุดสองคน สำหรับตัวละครที่ออกแบบหรือจำลอง คู่มือให้สร้างทีละเทิร์นเมื่อประกอบบทสนทนาหลายตัวละคร

วางเสียงเปล่งสั้น ๆ ของมนุษย์หรือการหยุด ณ จุดที่เกี่ยวข้องด้วยแท็กวงเล็บมุม ตัวอย่างบทคือ “ฉันนึกว่าคุณไปแล้ว <short pause> <sigh> ฉันเปิดไฟรอไว้” แนบการพูดเบาอย่างสำรวมกับทั้งเทิร์น แทนใส่คำสั่งนั้นในคำที่พูด เครื่องหมายวรรคตอนและตัวพิมพ์ใหญ่ช่วยแบ่งจังหวะลังเลหรือเน้นคำได้ Google ยังระบุปฏิกิริยาผู้ฟังที่คั่นด้วยเครื่องหมายไปป์สำหรับการตอบรับแทรกและบทสนทนาพูดซ้อน และให้ Flash TTS เป็นรุ่น 3.8 ที่เหมาะกว่าสำหรับการซ้อนมาก ให้ปฏิกิริยาสั้นพอที่ผู้ฟังยังเข้าใจประโยคหลัก

ผู้ผลิตระบุ 130 ภาษาที่ Flash TTS รองรับ และเน้นภาษาถิ่นภูมิภาคกับชนกลุ่มน้อย บรีฟสำเนียงภูมิภาคมีประโยชน์กับตัวละครหนังสือเสียงที่ปรับท้องถิ่นหรือบทบรรยายที่สำเนียงสำคัญต่อผู้ฟัง เตรียมบทในภาษาสุดท้าย สะกดชื่อที่ใช้ซ้ำให้สอดคล้อง และกำหนดวิธีอ่านตัวย่อกับตัวเลข ในขั้นบรรณาธิการ เริ่มตรวจฟังช่วงที่มีชื่อยาก การเปลี่ยนภาษาถิ่น หรือการเปลี่ยนอารมณ์ ประเมินสำเนียงและจังหวะที่ต้องการจากเสียงที่สร้าง แทนการสมมติจากป้ายภาษาอย่างเดียว

คู่มือเอาต์พุต 3.8 แยกไฟล์สมบูรณ์จากเสียงสตรีม ค่าเริ่มต้นของคำขอที่เสร็จคือไฟล์ WAV มีส่วนหัว RIFF: PCM 24 kHz โมโน 16 บิตแบบมีเครื่องหมายและ little-endian ค่าเริ่มต้นสตรีมคือ raw linear PCM ไม่มีส่วนหัว โดยมีคุณสมบัติแซมเปิลเดียวกัน นอกจากนี้ยังระบุ raw linear PCM, mu-law และ A-law เป็นตัวเลือกการเข้ารหัส ใช้ข้อมูลการเข้ารหัสจริงเมื่อเตรียมเล่นหรืออิมพอร์ตเข้าตัวแก้ไข สำหรับชุดไฟล์บทสนทนาแยก ให้รูปแบบสอดคล้องกันและตรวจรอยต่อเรื่องระดับเสียง จังหวะ หรือเสียงบรรยากาศห้องที่เปลี่ยนฉับพลัน

หน้าโมเดลตรงตัวของ Google ระบุขีดจำกัดให้บริการ Gemini API ที่อินพุต 8,192 และเอาต์พุต 16,384 โทเคน เป็นขีดจำกัดโทเคน ไม่ใช่ความยาวหนังสือเสียงคงที่หรือจำนวนวินาทีเสียงที่แน่นอน แบ่งบทยาว ณ จุดที่มีความหมาย และรักษาเอกลักษณ์เสียงข้ามส่วน ในการผลิตยาวหนึ่งบท ให้ฟังความต่อเนื่องเมื่อเปลี่ยนย่อหน้าหรือฉาก รวมถึงความถูกต้องของคำในแต่ละช่วง การตรวจที่ดีบันทึกประโยคที่ต้องแก้การออกเสียงหรือการแสดง แทนเขียนบรีฟเสียงทั้งหมดใหม่หลังทุกเทค

Flash TTS กับ Flash-Lite TTS ใช้โครงสร้างเตรียม 3.8 ร่วมกัน จึงเลือกรุ่นตามความต้องการงานได้ Flash TTS เน้นการแสดง บทสนทนาซับซ้อน คำออกเสียงยาก และภาษาถิ่นที่กว้างกว่า ส่วน Flash-Lite เน้นปริมาณงานเสียงพูดทั่วไป ตัวควบคุมการถ่ายทอดอารมณ์เกี่ยวกับเสียงพูดมนุษย์และเหตุการณ์เสียงจากปาก เอฟเฟกต์พื้นหลัง ดนตรีประกอบ และมิกซ์งานสมบูรณ์วางแผนเป็นชิ้นงานแยกได้ การเขียนบท การแปล และการรู้จำเสียงบันทึกยังเป็นขั้นตอนแยกรอบโมเดลข้อความเป็นเสียงนี้

Ailoot Ultra · เสียงพูด POST /v1/audio/speech google/gemini-3.8-flash-tts

google/gemini-3.8-flash-tts

Google /google/gemini-3.8-flash-tts

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-3.8-flash-tts	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 $0.001 / 1K โทเค็น
การตั้งค่าโทเค็นเอาต์พุต	ตารางอัตราค่าบริการ—	หน่วยคิดค่าบริการ/ 1K โทเค็น	ค่าบริการ ขาออก $0.018 / 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-3.8-flash-tts', 'input': '${ACTUAL_INPUT_TEXT}', 'voice': 'Zephyr'}
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-3.8-flash-tts

ชื่อพาธเมธอดอื่น

ใช้พาธเมธอดที่แสดงด้านบน

ID ที่เกี่ยวข้องสำหรับเรียกใช้โมเดล

google/gemini-3.8-flash-tts

FAQ · Google: Gemini 3.8 Flash TTS

มีอินพุตและผลลัพธ์ใดบ้าง?: POST /v1/audio/speech · google/gemini-3.8-flash-tts: text → audio
คำขอใช้ฟิลด์ใดบ้าง?: POST /v1/audio/speech · google/gemini-3.8-flash-tts: model, input, voice, response_format, provider

Google: Gemini 3.8 Flash TTS