Gemini 3.1 Flash TTS Preview 將文字轉換成語音，目的是透過文字指令控制敘述，產生自然的配音。語音指令可以同時指定朗讀方式，具表現力的音訊標籤則有助於呈現需要的語氣。
模型說明未公布上下文快取、程式碼執行、檔案搜尋、函式呼叫、搜尋依據、Google Maps、影像生成、結構化文字回覆、Thinking，以及讀取網址內容。語音合成是它專門的輸出任務，文字模型的能力不會自動適用於此版本。
入門
Google 的語音模型，可將文字轉為語音，以指令控制敘述方式，並使用具表現力的音訊標籤。
- 接受的輸入
- 文字
- 結果
- speech
關於模型
此說明介紹模型的能力。Ailoot 可用的輸入、輸出與選項，依所選方法列於下方。
Gemini 3.1 Flash TTS Preview 將文字轉換成語音，目的是透過文字指令控制敘述，產生自然的配音。語音指令可以同時指定朗讀方式，具表現力的音訊標籤則有助於呈現需要的語氣。
從文字到音訊
模型的輸入為文字，輸出為音訊錄音。輸入上限為 8 192 個 token，輸出上限為 16 384 個 token。它用於依準備好的文字合成語音，不是一般文字問答模型，也不負責轉寫傳入的錄音。
模型提供單一語音配音，以及多位說話者的對話。發音表現以指令控制，可描述朗讀特性與台詞的表現力。針對重複的語音任務，廠商列出批次生成功能。
結果格式與專門用途
一般回覆的原始格式為不含 WAV 標頭的 PCM。這是此預覽版本的重要特性，不能自動將傳回的位元組視為完整的 WAV 檔案。
模型說明未公布上下文快取、程式碼執行、檔案搜尋、函式呼叫、搜尋依據、Google Maps、影像生成、結構化文字回覆、Thinking，以及讀取網址內容。語音合成是它專門的輸出任務，文字模型的能力不會自動適用於此版本。
預覽版本
gemini-3.1-flash-tts-preview 屬於較早的語音預覽版本。它的語音控制方式與音訊格式，應與後續 TTS 模型分別看待。這個版本未公布新語音設計或依範例重現語音的功能；模型說明也未列出確切的支援語言數量。
上述能力描述模型本身。文字與說話者設定的傳入方式，以及音訊檔案的取得方式，都由支援的語音方法決定。
Ailoot 可用 · 輸入與方法
Ailoot · 語音合成 POST /v1/audio/speech
- 輸入
text- 輸出
speech- 輸出格式
- 原生音訊位元組或 JSON 資產連結
| 欄位 | 類型 | 要求 | 值與限制 | 預設值 |
|---|
欄位model | 類型string | 要求必填 | 值與限制 gemini-3.1-flash-tts-preview | 預設值— |
|---|
欄位input | 類型string | 要求必填 | 值與限制 長度下限: 1 | 預設值— |
|---|
欄位voice | 類型string | 要求選填 | 值與限制 Kore | 預設值Kore |
|---|
欄位response_format | 類型string | 要求選填 | 值與限制 , wav, json | 預設值 |
|---|
欄位stream_format | 類型string | 要求選填 | 值與限制 audio | 預設值— |
|---|
輸入素材組合
text_to_speech · 必填： input
方法參數與生命週期
| 參數 | 規格 |
|---|
參數material_types | 規格text |
|---|
參數required | 規格null |
|---|
參數optional_controls | 規格null |
|---|
生命週期： synchronous_result_then_owned_library
GET /v1/media/tasks/{task_id} · 實際回傳的 task_id 或媒體庫紀錄
GET /v1/media/assets/{asset_id}/content
GET /v1/media/assets
GET /v1/media/assets/{asset_id}
方法結構與 ID 均為精確值；供應商能力與准入狀態分開。
方案
Ailoot 方法費率
Ailoot 語音合成POST /v1/audio/speech- 輸入
- US$0.001 / 1K
- 輸出
- US$0.02 / 1K
Ailoot 會在請求前預留估算金額。取得結果後，依實測用量結算最終費用。串流結算採用最終用量紀錄。預留金額與結算的運作方式 →
請求範例
Ailoot · 語音合成
set -eu\n: "${AILOOT_API_KEY:?Set your Ailoot API key}"\n: "${AILOOT_TEXT_FILE:?Set your actual UTF-8 narration script}"\nexport AILOOT_TEXT_FILE\npython3 - <<'PY_REQUEST'\nimport json,os\nfrom pathlib import Path\np=json.loads('{"model": "gemini-3.1-flash-tts-preview", "input": ""}')\nf=Path(os.environ["AILOOT_TEXT_FILE"])\nif not f.is_file():raise SystemExit("Choose your actual UTF-8 source material")\ntext=f.read_text(encoding="utf-8")\nif not text.strip():raise SystemExit("Source material must contain text")\np["input"]=text\nPath("request.json").write_text(json.dumps(p,ensure_ascii=False))\nPY_REQUEST\ncurl --fail-with-body --silent --show-error https://api.ailoot.ai/v1/audio/speech \\\n -H "Authorization: Bearer $AILOOT_API_KEY" -H 'Content-Type: application/json' \\\n --data-binary @request.json -D response-headers.txt -o speech.wav\n
接收並儲存結果
Ailoot · 語音合成
原生音訊位元組或 JSON 資產連結
GET /v1/media/tasks/{task_id}GET /v1/media/assets/{asset_id}/contentGET /v1/media/assetsGET /v1/media/assets/{asset_id}
保留所有已完成的結果
請保留所有完整傳回的回應、檔案與內容區塊。
單一輸出預設為原生音訊位元組，並附實際 Content-Type；response_format=json 或多個輸出會回傳所有自有連結。不會依請求轉換為 MP3/Opus/AAC/FLAC/PCM，也不提供 SSE。
需要檢查原始回應時
保留原始 operation_id/X-Client-Request-ID 以供核對，請勿重新提交；沒有專用的音訊輪詢路由。
回應欄位
| 欄位 | 類型 |
|---|
欄位binary native audio | 類型bytes |
|---|
欄位model | 類型string |
|---|
欄位response_id | 類型string |
|---|
欄位actual_count | 類型integer |
|---|
欄位data[] | 類型owned audio asset link |
|---|
錯誤與後續步驟
| 回應 | 條件 | 下一步 |
|---|
回應400 · invalid_request_error | 條件必要欄位、素材表示方式或參數值無效 | 下一步提出新的建立請求前，先修正指定欄位。 |
|---|
回應server_error | 條件回傳的回應表示該作業或結果需要檢查 | 下一步保留原始回傳的作業／任務 ID、請求標頭與回應；繼續以支援的方式讀取該原始作業。請勿重新提交建立請求。 |
|---|