Google: Gemini 3.1 Flash TTS Preview

Google: Gemini 3.1 Flash TTS Preview är en text till tal modell från Google. Den ligger i kategorin tal och är en förhandsversion, vilket innebär att beteendet och röstuppsättningen fortfarande kan ändras innan en stabil version släpps. Google beskriver den som ett betydande generationskliv upp från Gemini 2.5 Flash TTS, så om du har använt den modellen är detta den nyare generationen att utvärdera.

Modellen tar text som enda indata och returnerar tal som enda utdata. Den stöder ett kontextfönster på 32 768 tokens, med maximalt 16 384 tokens som utdata, vilket är generöst för berättande och långt talat innehåll. Trettio röster är tillgängliga: 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 och Sulafat. Namnvariationen antyder en spridning av röstkaraktärer snarare än en enda standardröst, så du kan matcha ton till innehåll.

Praktiska användningsområden följer direkt av en modell med text in, ljud ut, ett stort kontextfönster och många röster. Du kan generera berättarröst för videor, poddar eller ljudböcker, producera talade versioner av artiklar och dokumentation, bygga röstprompter för assistenter och IVR flöden, eller skapa ljud för tillgänglighetsfunktioner. Eftersom indatagränsen mäts i tokens snarare än tecken kan långa manus skickas i en enda begäran, och taket på 16 384 tokens för utdata ger utrymme för längre talade avsnitt. Röstlistan gör det enkelt att tilldela olika röster till olika talare eller innehållstyper.

Du anropar modellen via api14:s OpenAI kompatibla API med modell id "google/gemini-3.1-flash-tts-preview". Eftersom API:et följer OpenAI formen pekar du din befintliga klient mot api14:s bas URL och skickar en begäran i vanligt format, med modell id enligt ovan och din text som indata. Modellen listar inga stödda parametrar utöver grunderna, så räkna med att skicka modell id och texten, och välj en röst från listan ovan där begärans format tillåter det. Om din klient förväntar sig ett parameterblock, håll det minimalt i stället för att anta inställningsalternativ som inte är dokumenterade.

Två saker är värda att väga in innan du satsar. För det första är detta en förhandsmodell, så utdata och röstbeteende kan förändras, och den är inte rätt val för en pipeline som behöver fryst, reproducerbart ljud. För det andra accepterar den bara text och returnerar bara tal, så den kan inte transkribera ljud, översätta tal eller hantera bilder och dokument. Om din uppgift är taligenkänning, multimodala indata eller allmän textgenerering passar en annan modell i katalogen bättre.