Google: Gemini 3.8 Flash Lite TTS

Google Gemini 3.8 Flash-Lite TTS là thành viên tập trung vào thông lượng trong dòng chuyển văn bản thành giọng nói 3.8 của Google. Mô hình nhận kịch bản viết và tạo âm thanh lời nói. Google định vị cho tính năng đọc thành tiếng, lời dẫn một người nói hằng ngày, sản xuất âm thanh khối lượng lớn và giai đoạn đầu ra lời nói của hệ thống tác tử giọng nói. Sản phẩm hữu ích là bài viết được đọc bằng giọng nhất quán, lời giải thích sản phẩm dạng nói hoặc tập bản ghi hướng dẫn ngắn. Kịch bản cần có sẵn những từ mà người nghe cần nghe.

Dòng 3.8 tách bản lời thoại khỏi chỉ dẫn thể hiện. Giữ nguyên văn phần được đọc và đặt cảm xúc kéo dài, nhịp, âm lượng hoặc phong cách nói trong siêu dữ liệu lời nói. Phần giới thiệu ấm áp, chỉ dẫn khẩn cấp và lời kết nhẹ có thể có mô tả style ngắn gắn riêng với từng lượt. Văn bản như “Hãy nói vui vẻ” trong bản lời thoại có thể tự nó bị đọc thành tiếng. Tên người nói thuộc siêu dữ liệu người nói thay vì nhãn trong kịch bản nghe được. Cách chuẩn bị này đặc biệt quan trọng khi tái sử dụng câu lệnh viết cho Gemini 3.1 Flash TTS.

Dùng thẻ trong dòng đặt giữa dấu ngoặc góc (< >) cho sự kiện ngắn tại điểm cụ thể: hít thở, cười, ho, thở dài hoặc dừng. Ví dụ, bản lời thoại “Bước tiếp theo rất đơn giản. <short pause> Chọn ngôn ngữ bạn muốn.” giữ khoảng dừng dự kiến cạnh những từ chịu tác động. Đặt cách nói thì thầm kéo dài trong mô tả style thay vì liên tục thêm thẻ sự kiện. Google khuyến nghị tên thẻ tiếng Anh ngay cả với kịch bản ngôn ngữ khác. Các tùy chọn này định hướng giọng; tiếng vỗ tay hoặc cửa đóng sầm cần sản xuất âm thanh riêng thay vì thẻ sự kiện giọng.

Google liệt kê 101 ngôn ngữ được hỗ trợ cho phiên bản này, gồm tiếng Anh, Nga, Trung, Nhật, Hàn, Pháp, Đức, Tây Ban Nha, Indonesia và Việt. Viết kịch bản hoàn chỉnh bằng ngôn ngữ dự kiến, gồm hình thức mong muốn của tên, chữ viết tắt và con số. Trong chuẩn bị biên tập, viết rõ chữ viết tắt mơ hồ hoặc cách đọc số dự kiến khi người nghe phải nghe một dạng cụ thể. Nghe đoạn đầu chứa tên khó và chỗ chuyển trước khi coi bản ghi dài là hoàn tất. Số lượng ngôn ngữ không khiến mọi cách phát âm vùng miền có thể thay thế nhau.

Nhà sản xuất hỗ trợ giọng dựng sẵn, thư viện giọng mở rộng, hình tượng giọng được thiết kế và sao chép giọng. Chọn định danh giọng riêng với chỉ dẫn diễn xuất tạm thời. Tái sử dụng định danh đó và mô tả thể hiện ngắn qua các phần khi lời dẫn cần nhất quán. Trong cấu hình 2 người nói được ghi trong tài liệu, gán người nói rõ ràng cho mỗi lượt, khớp một trong 2 giọng dựng sẵn đã cấu hình. Hướng dẫn Google xử lý cảnh nhiều nhân vật với giọng thiết kế hoặc sao chép bằng cách tạo từng lượt riêng. Khác biệt này quan trọng khi lập kế hoạch đối thoại thay vì một người dẫn.

Với yêu cầu hoàn tất thông thường, hướng dẫn 3.8 của Google quy định âm thanh WAV có phần đầu RIFF, chứa PCM little-endian 16-bit có dấu, mono 24 kHz. Cấu hình truyền phát mặc định trả các khối PCM thô không có phần đầu; hướng dẫn còn ghi nhận lựa chọn mã hóa PCM tuyến tính thô, mu-law và A-law. Khớp thiết lập phát hoặc biên tập với định dạng đầu ra thực tế. Đổi phần mở rộng PCM không có phần đầu thành WAV không bổ sung thông tin vỏ chứa. Khi ghép các lượt tạo riêng, giữ định dạng âm thanh nhất quán và coi mỗi WAV hoàn chỉnh là tệp có phần đầu riêng.

Trang mô hình cụ thể liệt kê giới hạn Gemini API là 8,192 token đầu vào và 16,384 token đầu ra. Token âm thanh không biểu thị số giây lời nói cố định. Chuẩn bị tài liệu dài thành các phần có ý nghĩa, giữ cùng đề bài giọng và style, đồng thời nghe tại điểm nối. Đây là giới hạn phục vụ do nhà sản xuất ghi cho mô hình này; chúng mô tả đại lượng khác với trường ngữ cảnh chung trong danh mục. Văn bản là đầu vào, âm thanh là đầu ra, nên soạn kịch bản, dịch và chép lời là tác vụ chuẩn bị hoặc tiếp nối riêng.

Flash-Lite dùng chung cấu trúc yêu cầu 3.8 với Gemini 3.8 Flash TTS. Lựa chọn thực tế liên quan đến cách thể hiện cần có: Flash-Lite hướng đến sản xuất nhanh và lặp lại, còn Flash TTS là cấp sáng tạo cho phát âm khó, diễn xuất tinh tế và bao phủ phương ngữ rộng hơn. Bài hướng dẫn thông thường và cảnh kịch tính 2 nhân vật đặt yêu cầu khác nhau lên giọng. Kiểm tra bản ghi thực tế để phát hiện từ bị bỏ hoặc lặp, phát âm, nhịp và thay đổi nghe thấy giữa các phân đoạn trước khi dùng trong trải nghiệm nghe cuối.