Google: Gemini 3.8 Flash TTS

Google: Gemini 3.8 Flash TTS to model zamiany tekstu na mowę od Google i jest następcą Gemini 3.1 Flash TTS Preview. Należy do kreatywnej warstwy rodziny 3.8 TTS, co oznacza, że Google pozycjonuje go do ekspresyjnego generowania mowy, a nie do transkrypcji czy ogólnej pracy z tekstem. Jeśli już kierujesz inne modele Google przez api14, ten rozszerza tę samą relację z dostawcą na wyjście audio.

Model przyjmuje tekst jako jedyne wejście i produkuje mowę jako jedyne wyjście. Ma okno kontekstu wynoszące 32 768 tokenów i maksymalne wyjście 16 384, więc możesz wysłać dość długie skrypty w jednym żądaniu i otrzymać odpowiednio długi wynik mówiony. 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. Ten zakres pozwala obsadzić różnych mówców w różnych częściach projektu bez przełączania modeli.

Ponieważ wejściem jest tekst, a wyjściem mowa, naturalne zastosowania to narracja, voiceover, dialogi do gier lub wideo, czytanie w stylu audiobooka oraz mówione wersje treści pisanych, takich jak artykuły czy dokumentacja. Duże okno kontekstu pomaga, gdy pojedynczy materiał wymaga spójnej dostawy przez wiele akapitów, ponieważ możesz przekazać cały skrypt zamiast sklejać wiele krótkich klipów. Lista głosów sprawia też, że praktyczne jest przypisanie odrębnego głosu dla każdej postaci lub każdej sekcji.

Wywołujesz go przez API zgodne z OpenAI w api14, używając identyfikatora modelu "google/gemini-3.8-flash-tts". Kształt żądania jest zgodny z tym samym wzorcem co inne modele w bramie, więc istniejące biblioteki klienckie OpenAI działają bez specjalnej obsługi. Zwróć uwagę, że ten model nie wymienia żadnych obsługiwanych parametrów, więc planuj wysyłanie identyfikatora modelu oraz tekstu wejściowego i wyboru głosu, zamiast polegać na pokrętłach dostrajania takich jak temperature czy top_p. Sprawdź bieżącą tabelę cen na stronie, aby poznać aktualne stawki, zanim zobowiążesz się do obciążenia.

Jedna rzecz do rozważenia to zakres. Ten model przyjmuje tylko tekst i zwraca tylko mowę, więc nie pomoże przy wejściach obrazowych, audio ani dokumentowych i nie może tworzyć wyjścia pisanego. Jeśli twoim zadaniem jest transkrypcja, tłumaczenie lub ogólne generowanie tekstu, lepszym wyborem jest model tekstowy. Użyj Gemini 3.8 Flash TTS, gdy produktem końcowym jest audio i chcesz mieć wybór głosów w ramach jednego żądania.