Google: Gemini 3.1 Flash TTS Preview

Google: Gemini 3.1 Flash TTS Preview to model zamiany tekstu na mowę od Google. Należy do kategorii mowy i jest wydaniem zapoznawczym, co oznacza, że zachowanie oraz zestaw głosów mogą się jeszcze zmienić, zanim pojawi się stabilna wersja. Google opisuje go jako znaczący skok generacyjny względem Gemini 2.5 Flash TTS, więc jeśli korzystałeś z tamtego modelu, to jest nowsza generacja do oceny.

Model przyjmuje tekst jako jedyne wejście i zwraca mowę jako jedyne wyjście. Obsługuje okno kontekstu o rozmiarze 32 768 tokenów, z maksymalnym wyjściem 16 384 tokenów, co jest hojnym limitem dla narracji i długich treści mówionych. Dostępnych jest trzydzieści głosów: 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 i Sulafat. Rozpiętość nazw sugeruje różnorodność charakterów wokalnych, a nie jeden domyślny głos, więc możesz dopasować ton do treści.

Praktyczne zastosowania wynikają wprost z modelu typu tekst na wejściu, dźwięk na wyjściu, z dużym oknem kontekstu i wieloma głosami. Możesz generować narrację do filmów, podcastów lub audiobooków, tworzyć wersje mówione artykułów i dokumentacji, budować podpowiedzi głosowe dla asystentów i przepływów IVR albo tworzyć dźwięk na potrzeby funkcji dostępności. Ponieważ limit wejścia jest mierzony w tokenach, a nie w znakach, długie skrypty można przesłać w jednym żądaniu, a pułap wyjścia 16 384 tokenów daje miejsce na rozbudowane partie mówione. Lista głosów pozwala w prosty sposób przypisać różne głosy do różnych mówców lub typów treści.

Model wywołujesz przez API zgodne z OpenAI w api14, używając identyfikatora modelu "google/gemini-3.1-flash-tts-preview". Ponieważ API ma kształt zgodny z OpenAI, kierujesz swojego istniejącego klienta na bazowy adres URL api14 i wysyłasz żądanie w zwykłym formacie, z powyższym identyfikatorem modelu oraz tekstem jako wejściem. Model nie wymienia żadnych obsługiwanych parametrów poza podstawowymi, więc zakładaj wysłanie identyfikatora modelu i tekstu, a głos wybierz z powyższej listy tam, gdzie format żądania na to pozwala. Jeśli Twój klient oczekuje bloku parametrów, pozostaw go minimalny, zamiast zakładać opcje dostrajania, które nie są udokumentowane.

Dwie rzeczy warto rozważyć przed podjęciem decyzji. Po pierwsze, to model zapoznawczy, więc wyjście i zachowanie głosów mogą się zmieniać, i nie jest to właściwy wybór dla potoku, który wymaga zamrożonego, powtarzalnego dźwięku. Po drugie, przyjmuje wyłącznie tekst i zwraca wyłącznie mowę, więc nie potrafi transkrybować dźwięku, tłumaczyć mowy ani obsługiwać obrazów i dokumentów. Jeśli Twoim zadaniem jest rozpoznawanie mowy, wejście multimodalne lub ogólne generowanie tekstu, lepiej pasować będzie inny model z katalogu.