Google: Gemini 3.1 Flash TTS Preview

Google : Gemini 3.1 Flash TTS Preview est un modèle de synthèse vocale de Google. Il appartient à la catégorie speech et constitue une version preview, ce qui signifie que le comportement et l'ensemble des voix peuvent encore changer avant la sortie d'une version stable. Google le décrit comme un progrès générationnel substantiel par rapport à Gemini 2.5 Flash TTS, donc si vous avez utilisé ce modèle, c'est la nouvelle génération à évaluer.

Le modèle prend du texte comme seule entrée et renvoie de la parole comme seule sortie. Il prend en charge une fenêtre de contexte de 32 768 tokens, avec une sortie maximale de 16 384 tokens, ce qui est généreux pour la narration et les contenus parlés de longue durée. Trente voix sont disponibles : 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 et Sulafat. L'éventail des noms suggère une variété de caractères vocaux plutôt qu'une voix par défaut unique, ce qui permet d'assortir le ton au contenu.

Les usages pratiques découlent directement d'un modèle texte en entrée, audio en sortie, doté d'une grande fenêtre de contexte et de nombreuses voix. Vous pouvez générer de la narration pour des vidéos, des podcasts ou des livres audio, produire des versions parlées d'articles et de documentation, créer des invites vocales pour des assistants et des flux IVR, ou générer de l'audio pour des fonctionnalités d'accessibilité. Comme la limite d'entrée est mesurée en tokens plutôt qu'en caractères, de longs scripts peuvent être soumis en une seule requête, et le plafond de sortie de 16 384 tokens laisse de la place pour des passages parlés étendus. La liste des voix permet d'attribuer facilement différentes voix à différents locuteurs ou types de contenu.

Vous appelez le modèle via l'API compatible OpenAI d'api14 en utilisant l'identifiant de modèle "google/gemini-3.1-flash-tts-preview". Comme l'API suit le format OpenAI, vous pointez votre client existant vers l'URL de base d'api14 et envoyez une requête au format habituel, avec l'identifiant de modèle ci-dessus et votre texte comme entrée. Le modèle ne liste aucun paramètre pris en charge au-delà des bases, donc prévoyez d'envoyer l'identifiant de modèle et le texte, et sélectionnez une voix dans la liste ci-dessus lorsque le format de requête le permet. Si votre client attend un bloc de paramètres, gardez-le minimal plutôt que de supposer des options de réglage qui ne sont pas documentées.

Deux points méritent réflexion avant de vous engager. Premièrement, il s'agit d'un modèle preview, donc la sortie et le comportement des voix peuvent évoluer, et ce n'est pas le bon choix pour un pipeline qui nécessite un audio figé et reproductible. Deuxièmement, il n'accepte que du texte et ne renvoie que de la parole, donc il ne peut pas transcrire d'audio, traduire de la parole ni traiter des images et des documents. Si votre tâche est la reconnaissance vocale, l'entrée multimodale ou la génération de texte générale, un autre modèle du catalogue conviendra mieux.