Google: Gemini 3.1 Flash TTS Preview

Google: Gemini 3.1 Flash TTS Preview ist ein Text zu Sprache Modell von Google. Es gehört zur Kategorie Sprache und ist eine Preview Veröffentlichung, was bedeutet, dass sich Verhalten und Stimmenset noch ändern können, bevor eine stabile Version erscheint. Google beschreibt es als einen substanziellen Generationssprung gegenüber Gemini 2.5 Flash TTS. Wenn Sie dieses Modell verwendet haben, ist dies die neuere Generation, die Sie bewerten sollten.

Das Modell nimmt Text als einzige Eingabe und gibt Sprache als einzige Ausgabe zurück. Es unterstützt ein Kontextfenster von 32.768 Tokens, mit einer maximalen Ausgabe von 16.384 Tokens, was großzügig für Narration und langformatige gesprochene Inhalte ist. Dreißig Stimmen sind verfügbar: 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 und Sulafat. Die Bandbreite der Namen deutet auf eine Vielfalt stimmlicher Charaktere hin statt auf eine einzige Standardstimme, sodass Sie den Ton auf den Inhalt abstimmen können.

Praktische Anwendungen ergeben sich direkt aus einem Text rein, Audio raus Modell mit einem großen Kontextfenster und vielen Stimmen. Sie können Narration für Videos, Podcasts oder Hörbücher erzeugen, gesprochene Versionen von Artikeln und Dokumentation erstellen, Sprachansagen für Assistenten und IVR Abläufe aufbauen oder Audio für Barrierefreiheitsfunktionen erzeugen. Da das Eingabelimit in Tokens statt in Zeichen gemessen wird, können lange Skripte in einer einzigen Anfrage übermittelt werden, und die Obergrenze von 16.384 Tokens für die Ausgabe bietet Raum für ausgedehnte gesprochene Passagen. Die Stimmenliste macht es einfach, verschiedenen Sprechern oder Inhaltstypen unterschiedliche Stimmen zuzuweisen.

Sie rufen das Modell über die OpenAI kompatible API von api14 mit der Modell ID "google/gemini-3.1-flash-tts-preview" auf. Da die API der OpenAI Form folgt, richten Sie Ihren vorhandenen Client auf die Basis URL von api14 und senden eine Anfrage im üblichen Format, mit der obigen Modell ID und Ihrem Text als Eingabe. Das Modell listet keine unterstützten Parameter über die Grundlagen hinaus, planen Sie also damit, die Modell ID und den Text zu senden, und wählen Sie eine Stimme aus der obigen Liste, wo das Anfrageformat es zulässt. Wenn Ihr Client einen Parameterblock erwartet, halten Sie ihn minimal, statt Tuning Optionen anzunehmen, die nicht dokumentiert sind.

Zwei Dinge sollten Sie abwägen, bevor Sie sich festlegen. Erstens ist dies ein Preview Modell, sodass sich Ausgabe und Stimmenverhalten verschieben können, und es ist nicht die richtige Wahl für eine Pipeline, die eingefrorenes, reproduzierbares Audio benötigt. Zweitens akzeptiert es nur Text und gibt nur Sprache zurück, es kann also kein Audio transkribieren, keine Sprache übersetzen und keine Bilder und Dokumente verarbeiten. Wenn Ihre Aufgabe Spracherkennung, multimodale Eingabe oder allgemeine Textgenerierung ist, passt ein anderes Modell im Katalog besser.