Google: Gemini 3.1 Flash TTS Preview

Google: Gemini 3.1 Flash TTS Preview adalah model text to speech dari Google. Model ini berada di kategori speech dan merupakan rilis preview, yang berarti perilaku dan kumpulan suaranya masih dapat berubah sebelum versi stabil tersedia. Google mendeskripsikannya sebagai peningkatan generasi yang signifikan dari Gemini 2.5 Flash TTS, jadi jika Anda pernah menggunakan model tersebut, ini adalah generasi yang lebih baru untuk dievaluasi.

Model ini hanya menerima teks sebagai input dan hanya mengembalikan speech sebagai output. Model ini mendukung context window sebesar 32.768 token, dengan output maksimum 16.384 token, yang cukup besar untuk narasi dan konten lisan berdurasi panjang. Tersedia tiga puluh suara: 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 dan Sulafat. Rentang nama tersebut menunjukkan beragam karakter vokal, bukan satu suara default, sehingga Anda dapat menyesuaikan tone dengan konten.

Penggunaan praktis mengikuti langsung dari model text in, audio out dengan context window besar dan banyak suara. Anda dapat menghasilkan narasi untuk video, podcast atau audiobook, membuat versi lisan dari artikel dan dokumentasi, membangun voice prompt untuk asisten dan alur IVR, atau membuat audio untuk fitur aksesibilitas. Karena batas input diukur dalam token, bukan karakter, skrip panjang dapat dikirim dalam satu permintaan, dan batas output 16.384 token memberi ruang untuk bagian lisan yang panjang. Daftar suara memudahkan penugasan suara berbeda ke pembicara atau jenis konten yang berbeda.

Anda memanggil model ini melalui API yang kompatibel dengan OpenAI dari api14 menggunakan model id "google/gemini-3.1-flash-tts-preview". Karena API mengikuti bentuk OpenAI, Anda mengarahkan klien yang sudah ada ke base URL api14 dan mengirim permintaan dalam format biasa, dengan model id di atas dan teks Anda sebagai input. Model ini tidak mencantumkan parameter yang didukung selain dasar, jadi rencanakan untuk mengirim model id dan teks, serta pilih suara dari daftar di atas jika format permintaan memungkinkan. Jika klien Anda mengharapkan blok parameters, buatlah seminimal mungkin daripada mengasumsikan opsi penyetelan yang tidak didokumentasikan.

Ada dua hal yang perlu dipertimbangkan sebelum Anda berkomitmen. Pertama, ini adalah model preview, sehingga output dan perilaku suara dapat berubah, dan ini bukan pilihan yang tepat untuk pipeline yang membutuhkan audio yang tetap dan dapat direproduksi. Kedua, model ini hanya menerima teks dan hanya mengembalikan speech, sehingga tidak dapat mentranskripsikan audio, menerjemahkan speech atau menangani gambar dan dokumen. Jika tugas Anda adalah pengenalan speech, input multimodal atau pembuatan teks umum, model lain di katalog akan lebih cocok.