Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) ist das Flaggschiff-Modell von Google für Text-zu-Sprache, das über Gemini Enterprise verfügbar ist. Sie wurde für Sprachausgabe in Studioqualität, ausdrucksstarke Schauspielerei, authentische regionale Akzente und stabiles Audio in Langform mit Mehrfachdialog entwickelt.
Leistungsspektrum
- Akustische Wiedergabetreue und schauspielerische Nuancen: Die Stimme deckt ein breites Spektrum an Emotionen ab, hat einen natürlichen Rhythmus und hält sich genau an die
style-Anweisungen auf Turn-Ebene und die Inline-Gesangsereignisse wie<laugh>,<sigh>und<short pause>. - Stabilität bei langen Dialogen und Mehrfachdialogen: Die Stimmidentität, das Timbre, die Lautstärke und der Raumton bleiben bei langen Dialogen und mehrminütigen Erzählungen konstant.
- Regionale Akzente und Aussprache: Unterstützt regionale Akzente und Minderheitendialekte in 130 Sprachen.
- Sprachoptionen: Funktioniert mit 30 voreingestellten Stimmen, mehr als 2.000 ausgewählten Stimmen in der erweiterten Sprachbibliothek, Stimmen, die Sie mit Voice Design erstellen, und Stimmen, die Sie mit Voice Replication replizieren.
Informationen zu Funktionen, Codebeispielen und Prompting-Anleitungen finden Sie unter Sprache mit Gemini TTS generieren.
Wann welches TTS-Modell verwendet werden sollte
Beide Gemini 3.8 TTS-Modelle verwenden dasselbe Anfrageschema und Prompting-Format. Wählen Sie das Modell aus, das zu Ihrer Arbeitslast passt:
| Funktion oder Arbeitslast | Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) |
Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) |
|---|---|---|
| Primäre Stärke | Stimmwiedergabe, schauspielerische Nuancen und Dialektunterstützung | Hoher Durchsatz, niedrige Latenz und Kosteneffizienz |
| Ideale Anwendungsfälle | Hörbücher, Studio-Voiceover, komplexer Dialog mit mehreren Sprechern, häufige Vocal-Burst-Tags, schwierige Aussprache, regionale Dialekte | Produktion großer Mengen, Echtzeit-Sprachagenten-Kaskaden, Vorlesefunktionen, Sprachreplikation, alltägliche Sprache mit einem einzelnen Sprecher |
| Unterstützte Sprachen | 130 Sprachen | 101 Sprachen |
| Modell-ID | gemini-3.8-flash-tts |
|
|---|---|---|
| Betriebsarten |
|
|
| Token limits | Eingabetokenlimit | 8.192 |
| Tokenausgabelimit | 16.384 | |
| Leistungsspektrum |
|
|
| APIs |
|
|
| Nutzungsoptionen |
|
|
| Unterstützte Regionen |
|
|
| Versionen |
|
|
| Unterstützte Sprachen | 130 Sprachen. Siehe unterstützte Sprachen | |
Jetzt starten
Im folgenden Beispiel wird Sprache für einen einzelnen Sprecher generiert und als WAV-Datei gespeichert:
Python
from google import genai
client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")
response = client.models.generate_content(
model="gemini-3.8-flash-tts",
contents=[{
"role": "user",
"parts": [{
"text": "Have a wonderful day!",
"speech_metadata": {"style": "cheerful and friendly"},
}],
}],
config={
"response_modalities": ["AUDIO"],
"speech_config": {"voice_config": {"voice": "Kore"}},
},
)
# The SDK has already decoded the base64 audio, so inline_data.data is a
# complete WAV file by default.
with open("out.wav", "wb") as f:
f.write(response.candidates[0].content.parts[0].inline_data.data)
REST
curl -X POST \
-H "Authorization: Bearer $(gcloud auth print-access-token)" \
-H "Content-Type: application/json" \
https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-tts:generateContent \
-d '{
"contents": [{
"role": "user",
"parts": [{
"text": "Have a wonderful day!",
"speechMetadata": {"style": "cheerful and friendly"}
}]
}],
"generationConfig": {
"responseModalities": ["AUDIO"],
"speechConfig": {
"voiceConfig": {"voice": "Kore"}
}
}
}' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > out.wav
Wenn Sie ein älteres Gemini TTS-Modell verwenden, lesen Sie die Migrationsanleitung.