Google: Gemini 3.1 Flash TTS Preview

Google Gemini 3.1 Flash TTS Preview — Gemini 3.1 Flash Audio oilasining matnni nutqqa aylantiruvchi nashri. U matnni qabul qiladi va promptdagi ko‘rsatmalar orqali ifodasi boshqariladigan nutq audiosini yaratadi. Google bu avlodda nutqning tabiiyligi, uni boshqarish imkoniyatlari va ko‘p tillarda ishlashi yaxshilanganini, bir nechta so‘zlovchi ishtirokidagi dialogni bevosita yaratish va 70 dan ortiq til qo‘llab-quvvatlanishini ta’kidlaydi. Qisqa ovozli dars, qahramonlar suhbati yoki aytilish usuli so‘zlarining o‘zi kabi muhim bo‘lgan matn parchasini ovozlashtirish amaliy qo‘llanishlarga kiradi.

Tayyor ssenariy va ijro bo‘yicha topshiriq tayyorlang. Bu avlod ovoz uslubi, sur’at va ijroni boshqarish uchun kiruvchi matn tarkibidagi tabiiy tilda yozilgan ko‘rsatmalardan foydalanadi. Google relizida vaziyatni belgilovchi sahna ko‘rsatmalari, qahramonlarni ta’riflovchi so‘zlovchi Audio Profiles profillari hamda sur’at, ohang va aksentga yo‘l ko‘rsatuvchi Director’s Notes kiritilgan. Promptni tayyorlashda bu qismlarni aniq ajrating, shunda aytilishi kerak bo‘lgan so‘zlar va ijro ko‘rsatmalarini alohida ko‘rib chiqish mumkin bo‘ladi. Ixcham topshiriqni tahrirlash bir ovozga oid bir-biriga raqobatchi bir nechta tavsifni tahrirlashdan osonroq.

Masalan, mustaqil tayyorlangan sinov topshirig‘ida muzey eksponatini vazmin jumlalash bilan tushuntirayotgan, so‘nggi gapda esa iliqroq ohangga o‘tadigan xotirjam hikoyachi tasvirlanishi mumkin. Unga qo‘shilgan ssenariy eksponatning haqiqiy nomlarini va ovozlashtirilishi kerak bo‘lgan aniq matnni o‘z ichiga olishi lozim. Dialog uchun qahramonlarga farqli profillar va aniq navbat ketma-ketligini bering. Sahna konteksti orqali bir so‘zlovchi boshqasini tinchlantiryaptimi, chin savol beryaptimi yoki tiyilgan hayrat bilan javob beryaptimi, shuni tushuntiring. Baholanadigan yaratilgan material — shu ssenariyning eshitiladigan ijrosi.

Matn ichidagi audio teglari mahalliy boshqaruvni qo‘shib, so‘zlovchi ifodasini faqat boshlang‘ich ko‘rsatmaga tayanmasdan, gapning o‘zida o‘zgartirish imkonini beradi. Google teglarni ovoz uslubi, sur’at va ijroni boshqaruvchi vosita sifatida tavsiflaydi. Ularni ijroda muayyan o‘zgarish zarur bo‘lgan joylarda ishlating, qolgan matn esa tabiiy talaffuz qilinadigan bo‘lsin. Bu nashrdagi foydali farq — qahramon yoki sahna haqidagi umumiy topshiriq bilan muayyan joydagi ijro o‘zgarishi orasidagi farqdir. Ko‘proq hissiy ko‘rsatmalar qo‘shilishidan oldin qisqa, betaraf parcha asosiy ovozni belgilab berishi mumkin.

Ko‘p tilli ish uchun ssenariyni yakuniy tilda taqdim eting va topshiriqda kerakli aksent hamda so‘zlash uslubini ko‘rsating. Google e’lonida 70 dan ortiq tilni qo‘llab-quvvatlash qayd etilgan. Amaliy tahririy tayyorgarlikda takrorlanuvchi ismlarni bir xil yozing, faqat bitta o‘qilish kerak bo‘lsa, noaniq qisqartmalarni to‘liq yozing va ovozli natijadagi sonlarni tekshiring. Til nomining o‘zi brend nomi yoki o‘zlashma atamaning qanday talaffuz qilinishini belgilamaydi. Uzun hikoyani qabul qilishdan oldin bunday atamalar qatnashgan parchalarni ko‘zlangan talaffuz bilan solishtiring.

Gemini API’ning aynan shu model sahifasida mazkur sinov modeli uchun kirish chegarasi 8,192 token, chiqish chegarasi esa 16,384 token deb ko‘rsatilgan. DeepMind’ning bevosita TTS model kartasida alohida ravishda 16K tokengacha matn kirishi va 32K tokenli audio chiqishi keltirilgan; model kartasidagi bu sonlar Gemini API orqali xizmat ko‘rsatish chegaralaridan farq qiladi. Tayyorlanadigan kirish hajmini hisoblashda ssenariy bilan birga ijro ko‘rsatmalarini ham hisobga oling. Chiqish limiti audio tokenlarida ifodalangan, shuning uchun u yozuvning muayyan davomiyligini kafolatlamaydi. Uzun dars yoki hikoyani mazmunan yaxlit bo‘limlarga ajrating, bir xil qahramon topshirig‘ini saqlang va bo‘limlar tutashuvini tinglang. Ssenariyli dialogda aytilgan so‘zlar va hissiy ijrodan tashqari, replikalarning kimga tegishliligi va navbat tartibini ham tekshiring.

Google’ning migratsiya hujjatlari 3.1 versiyasining standart chiqishini audio/l16 turidagi sarlavhasiz xom PCM deb belgilaydi. Tahrirlanadigan yozuv tayyorlashda audio baytlariga mos ijro yoki konteyner ma’lumotlari kerak bo‘ladi; faylga shunchaki WAV nomini berish WAV sarlavhasini yaratmaydi. Natijani import qilishdan oldin amalda qaytgan formatni tekshiring. Google, shuningdek, Gemini 3.1 Flash TTS yaratgan audioda sezilmaydigan SynthID suv belgisi borligini bildiradi. Suv belgisi yaratilgan audioni aniqlashga xizmat qiladi va transkript, so‘zlovchi belgilari yoki tinglab tekshirish o‘rnini bosmaydi.

3.1 versiyasiga tayyorgarlik usuli 3.8 versiyasidan sezilarli farq qiladi. Gemini 3.8 davomiy ko‘rsatmalar va so‘zlovchi identifikatsiyasini tuzilgan nutq metama’lumotlariga ko‘chiradi, burchak qavsli bir martalik hodisa teglaridan foydalanadi va yakunlangan so‘rovlarning standart chiqishini WAV formatiga o‘zgartiradi. 3.1 promptiga yangi so‘rov tuzilmasini aralashtirmasdan, uni 3.1 prompti sifatida saqlang. Google’ning qo‘llab-quvvatlanadigan modellar jadvalida 3.1 uchun bir va ko‘p so‘zlovchili sintez ko‘rsatilgan, maxsus ovoz loyihalash va ovozni takrorlash boshqaruvlari esa 3.8 yozuvlariga tegishli. Alohida Flash Live nashri interaktiv audio kirishi bilan ishlaydi; ushbu TTS nashri oldindan tayyorlangan matndan audio ishlab chiqarishga xizmat qiladi.

Yozuvni yozma ssenariy bilan solishtirib, tushib qolgan yoki takrorlangan so‘zlar, ismlar, replikalar vaqti hamda ko‘zlangan hissiy o‘zgarishlarni tekshiring. Bir gapga boshqa urg‘u kerak bo‘lsa, o‘sha joydagi ko‘rsatmani tahrirlang va tegishli o‘tishni tekshiring. Bu ish tartibi ijro topshirig‘ini foydali qiladi: u so‘zlovchida nimalar barqaror qolishi va o‘sha parchada nimalar o‘zgarishi kerakligini qayd etadi, ssenariy esa tinglovchi eshitishi kerak bo‘lgan mazmunni saqlaydi.