Google: Gemini 3.1 Flash TTS Preview

Google: Gemini 3.1 Flash TTS Preview è un modello text to speech di Google. Si colloca nella categoria speech ed è una release preview, il che significa che il comportamento e l'insieme delle voci possono ancora cambiare prima che arrivi una versione stabile. Google lo descrive come un sostanziale passo generazionale in avanti rispetto a Gemini 2.5 Flash TTS, quindi se hai usato quel modello, questa è la nuova generazione da valutare.

Il modello accetta testo come unico input e restituisce parlato come unico output. Supporta una finestra di contesto di 32.768 token, con un output massimo di 16.384 token, un valore generoso per narrazione e contenuti parlati di lunga durata. Sono disponibili trenta voci: 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 e Sulafat. La varietà dei nomi suggerisce una gamma di caratteri vocali piuttosto che una singola voce predefinita, quindi puoi abbinare il tono al contenuto.

Gli usi pratici derivano direttamente da un modello testo in ingresso, audio in uscita con una grande finestra di contesto e molte voci. Puoi generare narrazione per video, podcast o audiolibri, produrre versioni parlate di articoli e documentazione, creare prompt vocali per assistenti e flussi IVR, oppure creare audio per funzionalità di accessibilità. Poiché il limite di input è misurato in token anziché in caratteri, i copioni lunghi possono essere inviati in una singola richiesta, e il tetto di output di 16.384 token lascia spazio a passaggi parlati estesi. L'elenco delle voci rende semplice assegnare voci diverse a parlanti o tipi di contenuto diversi.

Chiami il modello tramite l'API compatibile con OpenAI di api14 usando il model id "google/gemini-3.1-flash-tts-preview". Poiché l'API segue la forma OpenAI, punti il tuo client esistente all'URL di base di api14 e invii una richiesta nel formato abituale, con il model id sopra e il tuo testo come input. Il modello non elenca parametri supportati oltre a quelli di base, quindi prevedi di inviare il model id e il testo, e seleziona una voce dall'elenco sopra dove il formato della richiesta lo consente. Se il tuo client si aspetta un blocco di parametri, mantienilo minimo invece di presumere opzioni di tuning che non sono documentate.

Due cose meritano una valutazione prima di impegnarti. Primo, questo è un modello preview, quindi output e comportamento delle voci possono cambiare, e non è la scelta giusta per una pipeline che richiede audio congelato e riproducibile. Secondo, accetta solo testo e restituisce solo parlato, quindi non può trascrivere audio, tradurre parlato o gestire immagini e documenti. Se il tuo compito è riconoscimento vocale, input multimodale o generazione di testo generale, un modello diverso nel catalogo sarà più adatto.