Cette page décrit les bonnes pratiques à suivre pour rédiger des requêtes lorsque vous utilisez Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS.
Pour connaître la syntaxe des requêtes et obtenir des exemples de code, consultez la présentation de Gemini TTS.
Les modèles Gemini 3.8 TTS traitent le champ text comme une transcription textuelle.
Les instructions de direction continues, au niveau du tour, sont placées dans speech_metadata, et les événements vocaux ponctuels sont intégrés à la transcription. La requête suivante combine un style au niveau du tour avec des balises vocales et des pauses intégrées :
{
"contents": [{
"role": "user",
"parts": [{
"text": "Wait... <short pause> did you hear that? <gasp> Someone's at the door.",
"speechMetadata": {"style": "whispered, nervous"}
}]
}],
"generationConfig": {
"responseModalities": ["AUDIO"],
"speechConfig": {"voiceConfig": {"voice": "Kore"}}
}
}
Champ de style et tags intégrés
Répartissez vos instructions de performances par champ d'application :
- Diffusion au niveau du tour de parole (
speech_metadata.style) : placez les attributs de diffusion soutenue, tels que l'émotion, la prosodie, le rythme général ou le style de diffusion (comme"whispering","out of breath","muttering"ou"sarcastic"), dans le champstyledespeech_metadata. Pour créer un personnage et une performance stables d'un tour à l'autre, concevez le persona en amont dans Conception de la voix et n'utilisezstyleque pour les ajustements facultatifs au niveau du tour. - Événements ponctuels (balises intégrées) : insérez des sons vocaux non verbaux momentanés, des respirations ou des pauses dans la transcription à l'aide de crochets (
<cough>,<breath>,<sigh>,<short pause>). Utilisez des crochets (<...>) pour une qualité audio optimale et tenez-vous-en aux vocalisations humaines plutôt qu'aux effets sonores non vocaux.
| Champ d'application | Où placer | Exemples |
|---|---|---|
| Au niveau du tour (maintenu pendant le tour) | speech_metadata.style |
"angry tone", "speaking rapidly", "out of breath", "whispers" et "sarcastic" |
| À un moment précis (se produit à un mot spécifique) | Intégrée dans text (<...>) |
"<cough> Thank you all for coming tonight! <throat-clearing> As I was saying..." |
Rythme et pauses
Vous pouvez contrôler le rythme et le silence à trois niveaux :
- Ponctuation et points de suspension : utilisez des virgules, des tirets (
--) et des points de suspension (...) pour créer des hésitations naturelles. - Balises de pause intégrées : insérez
<short pause>ou<long pause>là où l'orateur doit faire une pause. Par exemple :"Hold on, let me think... <short pause> Alright, I've got it." - Rythme au niveau du tour : définissez
"style": "speaking rapidly"ou"style": "speaking slowly"dansspeech_metadatapour contrôler le débit de parole pour l'ensemble du tour.
Prosodie et hauteur de ton
Utilisez speech_metadata.style pour contrôler la prosodie, la hauteur et l'inflexion d'une réplique. Par exemple, "style": "high pitch, cheerful and excited inflection" ou "style": "monotone and flat". Si l'émotion change au milieu du dialogue, divisez le script en plusieurs tours, chacun avec son propre style.
Mise en avant
Mettez en majuscules les mots de la transcription, ainsi que la ponctuation et les balises intégrées, pour les mettre en valeur. Par exemple, "This is a VERY important point!" ou "It was a VERY long day <sigh> ... nobody listens anymore.".
Sons vocaux et sons autres que la parole
Placez les vocalisations humaines non vocales entre crochets (<...>) à l'endroit où le son doit se produire. Utilisez des vocalisations humaines plutôt que des effets sonores non vocaux tels que des applaudissements. Voici quelques exemples de tags vocaux recommandés :
| Tag | Tag | Tag | Tag |
|---|---|---|---|
<argh> |
<breath> |
<heavy breath> |
<exhales> |
<cackle> |
<cheer> |
<chuckle>/<chuckles> |
<cough> |
<cry> |
<gasp> |
<giggle> |
<groan> |
<growl> |
<grunt> |
<grr> |
<hiss> |
<laugh>/<laughter> |
<moan> |
<pant> |
<pff>/<phew> |
<scream> |
<shout> |
<shriek> |
<sigh>/<sighs> |
<sneeze> |
<snicker> |
<snort> |
<sob> |
<throat-clearing> |
<tsk> |
<whimper> |
<whispers>/<whispering> |
<yawn> |
<short pause> |
<long pause> |
Réponses minimales et chevauchement des voix
Dans un dialogue à plusieurs locuteurs, placez les réactions de l'auditeur entre des barres verticales (|reaction|) pendant le tour de parole du locuteur actif. Cela crée des canaux de retour naturels ou des chevauchements de parole sans qu'il soit nécessaire de créer un tour de parole distinct pour chaque réaction.
- Réactions courtes : ajoutez de brèves réactions de l'auditeur pendant que l'intervenant actif parle :
- Tour 1 (Intervenant A) :
"So the launch is Thursday |oh hmm| Are we actually ready?" - Tour 2 (intervenant B) :
"Ready enough |oh really?| The last blocker cleared this morning." - Tour 3 (intervenant A) :
"Then let's ship it |absolutely| and watch the dashboards."
- Tour 1 (Intervenant A) :
- Discours qui se chevauchent et s'entrecroisent : utilisez plusieurs segments de pipe pour simuler un discours simultané. Cette option fonctionne mieux avec
gemini-3.8-flash-tts:- Compte à rebours ou refrain :
"Let's surprise him on three |ok| ready?"suivi de"one. two. three. |happy| happy |birthday| birthday!" - Superposition totale :
"Hello |oh| there |my| it |goodness| must |gracious| be |would| almost |you| time |look| for |at that| dinner"
- Compte à rebours ou refrain :
Cohérence entre les générations et erreurs à éviter
Suivez ces consignes pour que l'identité vocale reste stable d'un tour à l'autre :
- Concevez des personas en amont dans la conception vocale au lieu de longs blocs de style :
Les longs paragraphes
"Audio Profile"et les listes à puces"Director's Notes"hérités des modèles précédents sont la cause la plus fréquente de dérive vocale. Utilisez cette même intuition créative en amont dans la conception vocale pour générer un personavoice_...personnalisé persistant, puis transmettez cet ID vocal via vos appels TTS. - S'appuyer sur la référence vocale pour la stabilité (omettre les méta-instructions) : les modèles TTS Gemini 3.8 sont entraînés pour s'ancrer d'abord sur la référence audio.
N'incluez pas d'instructions demandant au modèle de maintenir la voix stable (comme
"do not switch speaker identity"ou"maintain identical timbre"). Un texte de prompt supplémentaire augmente la dérive. Supprimez les instructions de style inutiles et laissez le modèle varier naturellement autour du point stable fourni par la référence vocale. - N'essayez pas de modifier les caractéristiques immuables du locuteur dans
style: évitez d'indiquer l'âge, le genre, les noms ou les changements d'accent permanents dansspeech_metadata.style. Choisissez plutôt une voix régionale dans la bibliothèque de voix étendue ou créez-en une avec Voice Design.
Workflow recommandé
- Créez le personnage une seule fois : créez votre personnage dans Voice Design ou sélectionnez une voix régionale dans la bibliothèque de voix étendue qui correspond à votre langue cible et à votre persona.
- Rédigez des transcriptions naturelles avec des disfluences : pour un maximum de naturel, rédigez le
textcomme une transcription orale réelle, y compris les disfluences et les hésitations naturelles de la conversation (par exemple,"Oh uh yeah I think... hm, so that's interesting"). - Testez d'abord la synthèse vocale simple : synthétisez d'abord votre transcription (par exemple, dans Agent Studio) avec un champ
stylevide. La plupart des requêtes ne nécessitent aucune instructionstyle. - Ajoutez des requêtes
stylecourtes uniquement pour les ajustements : ajoutez une chaînestyleconcise (comme"casual, friendly"ou"muttering, then reassuring") uniquement pour les tours qui nécessitent un ajustement de diffusion spécifique, et réutilisez cette chaîne courte exacte d'un tour à l'autre lorsque vous souhaitez une référence cohérente.
Dialogue multitour et agents vocaux
Lorsque vous créez un agent vocal conversationnel ou une autre application multitour :
- Envoyez une requête TTS pour chaque tour de parole à mesure que le texte du LLM arrive.
- Laissez le
voiceconfiguré transmettre l'identité du locuteur d'un tour à l'autre. Ne renvoyez pas une longue description du persona à chaque tour. - Laissez
stylevide ou envoyez une chaîne constante courte pour l'ensemble de la conversation. - Divisez les réponses longues de l'agent en tours plus courts plutôt que de renforcer le prompt
style.
Étapes suivantes
- Créez un personnage cohérent avec la conception vocale.
- Mettez à jour les requêtes écrites pour les modèles précédents à l'aide du guide de migration.