Gemini-TTS

Coba Gemini-TTS di Vertex AI Studio Coba di Colab Lihat notebook di GitHub

Gemini-TTS adalah evolusi terbaru dari teknologi Text-to-Speech kami. Teknologi ini tidak hanya menghasilkan ucapan yang terdengar alami, tetapi juga memberikan kontrol terperinci atas audio yang dihasilkan menggunakan perintah berbasis teks. Dengan Gemini-TTS, Anda dapat melakukan sintesis ucapan berisi satu atau banyak penutur mulai dari cuplikan pendek hingga narasi panjang. Lengkap dengan pengaturan yang presisi atas gaya, aksen, kecepatan, intonasi nada, dan bahkan ekspresi emosional, semuanya dapat dikontrol menggunakan perintah bahasa alami.

Model yang tersedia

Gemini-TTS mencakup model yang tersedia berikut ini:

Gemini 2.5 Flash TTS

ID Model	`gemini-2.5-flash-tts`
Dioptimalkan untuk	Pembuatan audio Text-to-Speech dengan latensi rendah, mudah dikontrol, dan mendukung satu maupun banyak penutur, cocok digunakan sebagai aplikasi sehari-hari yang hemat biaya
Modalitas input dan output	Input: Teks Output: Audio
Jumlah penutur yang didukung	Satu penutur, multi-penutur
Format audio output yang didukung^*	`LINEAR16` (default), `ALAW`, `MULAW`, `MP3`, `OGG_OPUS`, `PCM`
Dukungan region	`global`
Pilihan suara	Lihat Pilihan suara
Bahasa yang tersedia	Lihat Bahasa yang tersedia
Contoh	model: "gemini-2.5-flash-tts" prompt: "Say the following" text: "[extremely fast] Availability and terms may vary. Check our website or your local store for complete details and restrictions." speaker: "Kore"

Gemini 2.5 Pro TTS

ID Model	`gemini-2.5-pro-tts`
Dioptimalkan untuk	Kontrol mendalam untuk alur kerja terstruktur seperti pembuatan podcast, buku audio, dukungan pelanggan, dan lainnya
Modalitas input dan output	Input: Teks Output: Audio
Jumlah penutur yang didukung	Satu penutur, multi-penutur
Format audio output yang didukung^*	`LINEAR16` (default), `ALAW`, `MULAW`, `MP3`, `OGG_OPUS`, `PCM`
Dukungan region	`global`
Pilihan suara	Lihat Pilihan suara
Bahasa yang tersedia	Lihat Bahasa yang tersedia
Contoh	model: "gemini-2.5-pro-tts" prompt: "You are having a casual conversation with a friend. Say the following in a friendly and amused way." text: "hahah I did NOT expect that. Can you believe it!." speaker: "Callirrhoe"

^* batch saja. streaming tidak didukung.

Kontrol tambahan

Kontrol dan kemampuan tambahan mencakup hal berikut:

Percakapan alami: Interaksi suara berkualitas tinggi dengan ekspresivitas yang lebih akurat, dan pola ritme disajikan dengan latensi yang sangat rendah sehingga percakapan berlangsung lancar.
Kontrol gaya: Dengan menggunakan perintah bahasa alami, Anda dapat menyesuaikan penyampaian dalam percakapan dengan mengarahkannya untuk menggunakan aksen tertentu serta menghasilkan berbagai nada dan ekspresi, termasuk bisikan.
Performa dinamis: Model ini dapat menjadikan teks lebih hidup untuk pembacaan puisi yang ekspresif, siaran berita, dan penceritaan yang menarik. Model ini juga dapat mengekspresikan emosi tertentu dan menggunakan aksen sesuai permintaan.
Kontrol yang lebih baik atas kecepatan dan pengucapan: Mengontrol kecepatan penyampaian membantu memastikan akurasi pengucapan yang lebih akurat, termasuk untuk kata-kata yang bersifat spesifik.

Untuk mengetahui informasi tentang cara menggunakan suara ini di aplikasi Anda, lihat Menggunakan Gemini-TTS.

Pilihan suara

Gemini-TTS menawarkan berbagai pilihan suara yang mirip dengan Chirp 3: Suara HD yang sudah ada, masing-masing dengan karakteristik yang berbeda:

Nama	Gender	Demo
Achernar	Perempuan
Achird	Laki-laki
Algenib	Laki-laki
Algieba	Laki-laki
Alnilam	Laki-laki
Aoede	Perempuan
Autonoe	Perempuan
Callirrhoe	Perempuan
Charon	Laki-laki
Despina	Perempuan
Enceladus	Laki-laki
Erinome	Perempuan
Fenrir	Laki-laki
Gacrux	Perempuan
Iapetus	Laki-laki
Kore	Perempuan
Laomedeia	Perempuan
Leda	Perempuan
Orus	Laki-laki
Pulcherrima	Perempuan
Puck	Laki-laki
Rasalgethi	Laki-laki
Sadachbia	Laki-laki
Sadaltager	Laki-laki
Schedar	Laki-laki
Sulafat	Perempuan
Umbriel	Laki-laki
Vindemiatrix	Perempuan
Zephyr	Perempuan
Zubenelgenubi	Laki-laki

Bahasa yang tersedia

Gemini-TTS mendukung bahasa berikut:

Bahasa	Kode BCP-47	Kesiapan peluncuran
Arab (Mesir)	ar-EG	GA
Belanda (Belanda)	nl-NL	GA
Inggris (India)	en-IN	GA
Inggris (Amerika Serikat)	en-US	GA
Prancis (Prancis)	fr-FR	GA
Jerman (Jerman)	de-DE	GA
Hindi (India)	hi-IN	GA
Indonesia (Indonesia)	id-ID	GA
Italia (Italia)	it-IT	GA
Jepang (Jepang)	ja-JP	GA
Korea (Korea Selatan)	ko-KR	GA
Marathi (India)	mr-IN	GA
Polandia (Polandia)	pl-PL	GA
Portugis (Brasil)	pt-BR	GA
Rumania (Rumania)	ro-RO	GA
Rusia (Rusia)	ru-RU	GA
Spanyol (Spanyol)	es-ES	GA
Tamil (India)	ta-IN	GA
Telugu (India)	te-IN	GA
Thai (Thailand)	th-TH	GA
Turkiye (Turkiye)	tr-TR	GA
Ukraina (Ukraina)	uk-UA	GA
Vietnam (Vietnam)	vi-VN	GA
Afrikaans (Afrika Selatan)	af-ZA	Pratinjau
Albania (Albania)	sq-AL	Pratinjau
Amhar (Etiopia)	am-ET	Pratinjau
Arab (Dunia)	ar-001	Pratinjau
Armenia (Armenia)	hy-AM	Pratinjau
Azerbaijan (Azerbaijan)	az-AZ	Pratinjau
Bengali (Bangladesh)	bn-BD	Pratinjau
Basque (Spanyol)	eu-ES	Pratinjau
Belarusia (Belarus)	be-BY	Pratinjau
Bulgaria (Bulgaria)	bg-BG	Pratinjau
Burma (Myanmar)	my-MM	Pratinjau
Katala (Spanyol)	ca-ES	Pratinjau
Cebuano (Filipina)	ceb-PH	Pratinjau
China, Mandarin (China)	cmn-CN	Pratinjau
China, Mandarin (Taiwan)	cmn-TW	Pratinjau
Kroasia (Kroasia)	hr-HR	Pratinjau
Ceko (Republik Ceko)	cs-CZ	Pratinjau
Denmark (Denmark)	da-DK	Pratinjau
Inggris (Australia)	en-AU	Pratinjau
Inggris (Inggris Raya)	en-GB	Pratinjau
Estonia (Estonia)	et-EE	Pratinjau
Filipino (Filipina)	fil-PH	Pratinjau
Finlandia (Finlandia)	fi-FI	Pratinjau
Prancis (Kanada)	fr-CA	Pratinjau
Galisia (Spanyol)	gl-ES	Pratinjau
Georgia (Georgia)	ka-GE	Pratinjau
Yunani (Yunani)	el-GR	Pratinjau
Gujarati (India)	gu-IN	Pratinjau
Kreol Haiti (Haiti)	ht-HT	Pratinjau
Ibrani (Israel)	he-IL	Pratinjau
Hungaria (Hungaria)	hu-HU	Pratinjau
Islandia (Islandia)	is-IS	Pratinjau
Jawa (Jawa)	jv-JV	Pratinjau
Kannada (India)	kn-IN	Pratinjau
Konkani (India)	kok-IN	Pratinjau
Lao (Laos)	lo-LA	Pratinjau
Latin (Vatikan)	la-VA	Pratinjau
Latvia (Latvia)	lv-LV	Pratinjau
Lituania (Lituania)	lt-LT	Pratinjau
Luksemburg (Luksemburg)	lb-LU	Pratinjau
Makedonia (Makedonia Utara)	mk-MK	Pratinjau
Maithili (India)	mai-IN	Pratinjau
Malagasi (Madagaskar)	mg-MG	Pratinjau
Melayu (Malaysia)	ms-MY	Pratinjau
Malayalam (India)	ml-IN	Pratinjau
Mongolia (Mongolia)	mn-MN	Pratinjau
Nepali (Nepal)	ne-NP	Pratinjau
Norwegia, Bokmål (Norwegia)	nb-NO	Pratinjau
Norwegia, Norsk (Norwegia)	nn-NO	Pratinjau
Odia (India)	or-IN	Pratinjau
Pashto (Afganistan)	ps-AF	Pratinjau
Farsi (Iran)	fa-IR	Pratinjau
Portugis (Portugal)	pt-PT	Pratinjau
Punjabi (India)	pa-IN	Pratinjau
Serbia (Serbia)	sr-RS	Pratinjau
Sindhi (India)	sd-IN	Pratinjau
Sinhala (Sri Lanka)	si-LK	Pratinjau
Slovakia (Slovakia)	sk-SK	Pratinjau
Slovenia (Slovenia)	sl-SI	Pratinjau
Spanyol (Amerika Latin)	es-419	Pratinjau
Spanyol (Meksiko)	es-MX	Pratinjau
Swahili (Kenya)	sw-KE	Pratinjau
Swedia (Swedia)	sv-SE	Pratinjau
Urdu (Pakistan)	ur-PK	Pratinjau

Menggunakan Gemini-TTS

Temukan cara menggunakan model Gemini-TTS untuk menyintesis ucapan satu penutur dan multi-penutur.

Sebelum memulai

Sebelum dapat mulai menggunakan Text-to-Speech, Anda harus mengaktifkan API di konsolGoogle Cloud dengan mengikuti langkah-langkah berikut:

Aktifkan Text-to-Speech di project.
Pastikan penagihan diaktifkan untuk Text-to-Speech.
Siapkan autentikasi untuk lingkungan pengembangan Anda.

Menyiapkan project Google Cloud

Login ke konsol Google Cloud
Buka halaman pemilih project

Anda dapat memilih project yang sudah ada atau membuat project baru. Untuk mengetahui detail selengkapnya tentang cara membuat project, lihat dokumentasiGoogle Cloud .
Jika Anda membuat project baru, akan muncul pesan yang memberi tahu Anda untuk menautkan akun penagihan. Jika Anda menggunakan project yang sudah ada, pastikan untuk mengaktifkan penagihan

Pelajari cara mengonfirmasi bahwa penagihan diaktifkan untuk project Anda

Catatan: Anda harus mengaktifkan penagihan agar dapat menggunakan Text-to-Speech API, tetapi Anda tidak akan dikenai biaya, kecuali jika Anda melebihi kuota gratis. Untuk mengetahui informasi selengkapnya tentang harga, lihat halaman harga.
Setelah memilih project dan menautkannya ke akun penagihan, Anda dapat mengaktifkan Text-to-Speech API. Buka kotak Search products and resources di bagian atas halaman, lalu ketik "speech". Pilih Cloud Text-to-Speech API dari daftar hasil.
Untuk mencoba Text-to-Speech tanpa menautkannya ke project Anda, pilih opsi TRY this API. Untuk mengaktifkan Text-to-Speech API agar dapat digunakan dengan project Anda, klik Enable.
Siapkan autentikasi untuk lingkungan pengembangan Anda. Untuk mengetahui petunjuknya, lihat Menyiapkan autentikasi untuk Text-to-Speech.

Melakukan sintesis satu penutur secara sinkron

Python

# google-cloud-texttospeech minimum version 2.29.0 is required.

import os
from google.cloud import texttospeech

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")

def synthesize(prompt: str, text: str, output_filepath: str = "output.mp3"):
    """Synthesizes speech from the input text and saves it to an MP3 file.

    Args:
        prompt: Styling instructions on how to synthesize the content in
          the text field.
        text: The text to synthesize.
        output_filepath: The path to save the generated audio file.
          Defaults to "output.mp3".
    """
    client = texttospeech.TextToSpeechClient()

    synthesis_input = texttospeech.SynthesisInput(text=text, prompt=prompt)

    # Select the voice you want to use.
    voice = texttospeech.VoiceSelectionParams(
        language_code="en-US",
        name="Charon",  # Example voice, adjust as needed
        model_name="gemini-2.5-pro-tts"
    )

    audio_config = texttospeech.AudioConfig(
        audio_encoding=texttospeech.AudioEncoding.MP3
    )

    # Perform the text-to-speech request on the text input with the selected
    # voice parameters and audio file type.
    response = client.synthesize_speech(
        input=synthesis_input, voice=voice, audio_config=audio_config
    )

    # The response's audio_content is binary.
    with open(output_filepath, "wb") as out:
        out.write(response.audio_content)
        print(f"Audio content written to file: {output_filepath}")

CURL

# Make sure to install gcloud cli, and sign in to your project.
# Make sure to use your PROJECT_ID value.
# The available models are gemini-2.5-flash-tts and gemini-2.5-pro-tts.
# To parse the JSON output and use it directly see the last line of the command.
# Requires JQ and ffplay library to be installed.
PROJECT_ID=YOUR_PROJECT_ID
curl -X POST \
  -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
  -H "x-goog-user-project: $PROJECT_ID" \
  -H "Content-Type: application/json" \
-d '{
  "input": {
    "prompt": "Say the following in a curious way",
    "text": "OK, so... tell me about this [uhm] AI thing."
  },
  "voice": {
    "languageCode": "en-us",
    "name": "Kore",
    "model_name": "gemini-2.5-flash-tts"
  },
  "audioConfig": {
    "audioEncoding": "LINEAR16"
  }
}' \
  "https://texttospeech.googleapis.com/v1/text:synthesize" \
  | jq -r '.audioContent' | base64 -d | ffplay - -autoexit

Melakukan sintesis multi-penutur secara sinkron dengan input teks berformat bebas

Python

# google-cloud-texttospeech minimum version 2.31.0 is required.

import os
from google.cloud import texttospeech

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")

def synthesize_multispeaker_freeform(
    prompt: str,
    text: str,
    output_filepath: str = "output_non_turn_based.wav",
):
    """Synthesizes speech from non-turn-based input and saves it to a WAV file.

    Args:
        prompt: Styling instructions on how to synthesize the content in the
          text field.
        text: The text to synthesize, containing speaker aliases to indicate
          different speakers. Example: "Sam: Hi Bob!\nBob: Hi Sam!"
        output_filepath: The path to save the generated audio file. Defaults to
          "output_non_turn_based.wav".
    """
    client = texttospeech.TextToSpeechClient()

    synthesis_input = texttospeech.SynthesisInput(text=text, prompt=prompt)

    multi_speaker_voice_config = texttospeech.MultiSpeakerVoiceConfig(
        speaker_voice_configs=[
            texttospeech.MultispeakerPrebuiltVoice(
                speaker_alias="Speaker1",
                speaker_id="Kore",
            ),
            texttospeech.MultispeakerPrebuiltVoice(
                speaker_alias="Speaker2",
                speaker_id="Charon",
            ),
        ]
    )

    voice = texttospeech.VoiceSelectionParams(
        language_code="en-US",
        model_name="gemini-2.5-pro-tts",
        multi_speaker_voice_config=multi_speaker_voice_config,
    )

    audio_config = texttospeech.AudioConfig(
        audio_encoding=texttospeech.AudioEncoding.LINEAR16,
        sample_rate_hertz=24000,
    )

    response = client.synthesize_speech(
        input=synthesis_input, voice=voice, audio_config=audio_config
    )

    with open(output_filepath, "wb") as out:
        out.write(response.audio_content)
        print(f"Audio content written to file: {output_filepath}")

CURL

# Make sure to install gcloud cli, and sign in to your project.
# Make sure to use your PROJECT_ID value.
# The available models are gemini-2.5-flash-tts and gemini-2.5-pro-tts
# To parse the JSON output and use it directly see the last line of the command.
# Requires JQ and ffplay library to be installed.
# google-cloud-texttospeech minimum version 2.31.0 is required.
PROJECT_ID=YOUR_PROJECT_ID
curl -X POST \
  -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
  -H "x-goog-user-project: $PROJECT_ID" \
  -H "Content-Type: application/json" \
-d '{
  "input": {
    "prompt": "Say the following as a conversation between friends.",
    "text": "Sam: Hi Bob, how are you?\\nBob: I am doing well, and you?"
  },
  "voice": {
    "languageCode": "en-us",
    "modelName": "gemini-2.5-flash-tts",
    "multiSpeakerVoiceConfig": {
      "speakerVoiceConfigs": [
        {
          "speakerAlias": "Sam",
          "speakerId": "Kore"
        },
        {
          "speakerAlias": "Bob",
          "speakerId": "Charon"
        }
      ]
    }
  },
  "audioConfig": {
    "audioEncoding": "LINEAR16",
    "sampleRateHertz": 24000
  }
}' \
  "https://texttospeech.googleapis.com/v1/text:synthesize" \
  | jq -r '.audioContent' | base64 -d | ffplay - -autoexit

Melakukan sintesis multi-penutur secara sinkron dengan input teks terstruktur

Multi-penutur dengan input teks terstruktur memungkinkan pembacaan teks yang cerdas dengan cara yang mirip manusia. Misalnya, jenis input ini berguna untuk alamat dan tanggal. Input teks berformat bebas membacakan teks persis seperti yang ditulis.

Python

# google-cloud-texttospeech minimum version 2.31.0 is required.

import os
from google.cloud import texttospeech

PROJECT_ID = os.getenv("GOOGLE_CLOUD_PROJECT")

def synthesize_multispeaker_structured(
    prompt: str,
    turns: list[texttospeech.MultiSpeakerMarkup.Turn],
    output_filepath: str = "output_turn_based.wav",
):
    """Synthesizes speech from turn-based input and saves it to a WAV file.

    Args:
        prompt: Styling instructions on how to synthesize the content in the
          text field.
        turns: A list of texttospeech.MultiSpeakerMarkup.Turn objects representing
          the dialogue turns.
        output_filepath: The path to save the generated audio file. Defaults to
          "output_turn_based.wav".
    """
    client = texttospeech.TextToSpeechClient()

    synthesis_input = texttospeech.SynthesisInput(
        multi_speaker_markup=texttospeech.MultiSpeakerMarkup(turns=turns),
        prompt=prompt,
    )

    multi_speaker_voice_config = texttospeech.MultiSpeakerVoiceConfig(
        speaker_voice_configs=[
            texttospeech.MultispeakerPrebuiltVoice(
                speaker_alias="Speaker1",
                speaker_id="Kore",
            ),
            texttospeech.MultispeakerPrebuiltVoice(
                speaker_alias="Speaker2",
                speaker_id="Charon",
            ),
        ]
    )

    voice = texttospeech.VoiceSelectionParams(
        language_code="en-US",
        model_name="gemini-2.5-pro-tts",
        multi_speaker_voice_config=multi_speaker_voice_config,
    )

    audio_config = texttospeech.AudioConfig(
        audio_encoding=texttospeech.AudioEncoding.LINEAR16,
        sample_rate_hertz=24000,
    )

    response = client.synthesize_speech(
        input=synthesis_input, voice=voice, audio_config=audio_config
    )

    with open(output_filepath, "wb") as out:
        out.write(response.audio_content)
        print(f"Audio content written to file: {output_filepath}")

CURL

# Make sure to install gcloud cli, and sign in to your project.
# Make sure to use your PROJECT_ID value.
# The available models are gemini-2.5-flash-tts and gemini-2.5-pro-tts.
# To parse the JSON output and use it directly see the last line of the command.
# Requires JQ and ffplay library to be installed.
# google-cloud-texttospeech minimum version 2.31.0 is required.
PROJECT_ID=YOUR_PROJECT_ID
curl -X POST \
  -H "Authorization: Bearer $(gcloud auth application-default print-access-token)" \
  -H "x-goog-user-project: $PROJECT_ID" \
  -H "Content-Type: application/json" \
-d '{
  "input": {
    "prompt": "Say the following as a conversation between friends.",
    "multiSpeakerMarkup": {
      "turns": [
        {
          "speaker": "Sam",
          "text": "Hi Bob, how are you?"
        },
        {
          "speaker": "Bob",
          "text": "I am doing well, and you?"
        }
      ]
    }
  },
  "voice": {
    "languageCode": "en-us",
    "modelName": "gemini-2.5-flash-tts",
    "multiSpeakerVoiceConfig": {
      "speakerVoiceConfigs": [
        {
          "speakerAlias": "Sam",
          "speakerId": "Kore"
        },
        {
          "speakerAlias": "Bob",
          "speakerId": "Charon"
        }
      ]
    }
  },
  "audioConfig": {
    "audioEncoding": "LINEAR16",
    "sampleRateHertz": 24000
  }
}' \
  "https://texttospeech.googleapis.com/v1/text:synthesize" \
  | jq -r '.audioContent' | base64 -d | ffplay - -autoexit

Melakukan sintesis ucapan di Media Studio

Anda dapat menggunakan Media Studio di konsol Google Google Cloud untuk bereksperimen dengan model text-to-speech. Media Studio menyediakan antarmuka pengguna untuk membuat, mendengarkan audio yang disintesis, serta bereksperimen dengan berbagai petunjuk dan parameter gaya dengan cepat.

Di konsol Google Google Cloud , buka halaman Vertex AI Studio > Media Studio.

Media Studio
Pilih Speech dari drop-down media.
Di kolom teks, masukkan teks yang ingin Anda sintesiskan menjadi ucapan.
Di panel Settings, konfigurasi setelan berikut:
1. Model: Pilih model Text-to-Speech (TTS) yang ingin Anda gunakan, seperti Gemini 2.5 Pro TTS. Untuk mengetahui informasi selengkapnya tentang model yang tersedia, lihat model Text-to-Speech.
2. Style instruction: Opsional: Masukkan perintah teks yang menjelaskan gaya berbicara, nada, dan penyampaian emosi yang dipilih. Dengan demikian, Anda dapat mengarahkan penyampaian suara model melampaui narasi default. Misalnya: "Narasi dengan nada tenang dan profesional untuk film dokumenter".
3. Language: Pilih bahasa dan region teks input. Model ini menghasilkan ucapan dalam bahasa dan aksen yang dipilih. Misalnya, Inggris (Amerika Serikat).
4. Voice: Pilih suara standar untuk narasi. Daftar ini berisi suara yang tersedia untuk model dan bahasa yang dipilih, seperti Acherner (Perempuan).
Opsional: Luaskan bagian Advanced options untuk mengonfigurasi setelan audio teknis:
1. Audio encoding: Pilih encoding untuk file audio output. LINEAR16 adalah format lossless dan tidak terkompresi yang cocok untuk pemrosesan audio berkualitas tinggi. MULAW juga tersedia untuk output audio terkompresi.
2. Audio sample rate: Pilih frekuensi sampel dalam hertz (Hz). Tindakan ini menentukan kualitas audio. Nilai yang lebih tinggi seperti 44.100 Hz merepresentasikan audio dengan fidelitas lebih tinggi, setara dengan kualitas CD.
3. Speed: Sesuaikan kecepatan bicara dengan menggerakkan penggeser atau memasukkan nilai. Nilai di bawah 1 akan memperlambat ucapan, dan nilai di atas 1 akan mempercepatnya. Nilai defaultnya adalah 1.
4. Volume gain (dB): Sesuaikan volume audio output dalam desibel (dB). Nilai positif akan menaikkan volume, dan nilai negatif akan menurunkannya. Defaultnya adalah 0.
Klik ikon send di sebelah kanan kotak teks untuk membuat audio.
Audio yang dihasilkan akan muncul di pemutar media. Klik tombol putar untuk mendengarkan output. Anda dapat terus menyesuaikan setelan, dan membuat versi baru sesuai kebutuhan.

Tips Menulis Perintah

Membuat audio yang menarik dan terdengar alami dari teks memerlukan pemahaman tentang nuansa bahasa lisan dan menerjemahkannya ke dalam bentuk skrip. Tips berikut akan membantu Anda membuat skrip yang terdengar autentik dan sesuai dengan nada bicara yang dipilih.

Tiga Aspek Kontrol Ucapan

Agar mendapatkan hasil yang terprediksi dan kaya nuansa, pastikan ketiga komponen berikut konsisten dengan output yang Anda inginkan.

Perintah Gaya Pengarah utama keseluruhan penyampaian dan nada emosional. Perintah ini menetapkan konteks untuk seluruh segmen ucapan.

Contoh: You are an AI assistant speaking in a friendly and helpful tone.
Contoh: Narrate this in the calm, authoritative tone of a nature documentary narrator.

Konten Teks Makna semantik dari kata-kata yang Anda sintesiskan. Frasa yang menggugah emosi dan konsisten dengan perintah gaya akan memberikan hasil yang jauh lebih efektif daripada teks netral.

Baik: Perintah untuk nada takut paling efektif digunakan dengan teks seperti I think someone is in the house.
Kurang Efektif: Perintah untuk nada takut dengan teks seperti The meeting is at 4 PM. akan memberikan hasil yang ambigu.

Tag Markup Tag dalam tanda kurung seperti [sigh] paling baik digunakan untuk menyisipkan perubahan gaya atau tindakan pada bagian teks tertentu, bukan untuk menetapkan nada bicara secara keseluruhan. Tag ini berfungsi selaras dengan perintah gaya dan konten teks.

Panduan Tag Markup

Riset kami menunjukkan bahwa tag markup dalam tanda kurung beroperasi dalam salah satu dari tiga mode berbeda. Memahami mode tag adalah kunci untuk menggunakannya secara efektif.

Mode 1: Suara Non-Ucapan

Markup diganti dengan vokalisasi non-ucapan yang terdengar (misalnya, suara tawa atau helaan napas). Tag itu sendiri tidak diucapkan. Mode ini sangat efektif untuk menambahkan suara jeda dan reaksi yang terdengar realistis seperti manusia.

Tag	Perilaku	Keandalan	Panduan
`[sigh]`	Menyisipkan suara helaan napas.	Tinggi	Kualitas emosional helaan napas dipengaruhi oleh perintah.
`[laughing]`	Menyisipkan tawa.	Tinggi	Untuk mendapatkan hasil terbaik, gunakan perintah yang spesifik. Misalnya, perintah umum mungkin akan menghasilkan tawa karena terkejut, sementara "beri reaksi dengan tawa geli" akan menghasilkan tawa karena terhibur.
`[uhm]`	Menyisipkan suara jeda.	Tinggi	Berguna untuk menciptakan nuansa percakapan yang lebih alami.

Mode 2: Pengubah Gaya

Markup ini tidak diucapkan, tetapi akan mengubah cara penyampaian ucapan berikutnya. Cakupan dan durasi perubahan dapat bervariasi.

Tag	Perilaku	Keandalan	Panduan
`[sarcasm]`	Memberikan nada sarkastik pada frasa berikutnya.	Tinggi	Tag ini adalah pengubah yang efektif. Tag ini menunjukkan bahwa konsep abstrak dapat berhasil mengarahkan penyampaian model.
`[robotic]`	Membuat ucapan berikutnya terdengar seperti robot.	Tinggi	Efeknya dapat diperluas ke seluruh frasa. Perintah gaya yang mendukung (misalnya, "Ucapkan ini dengan suara robot") tetap direkomendasikan untuk mendapatkan hasil terbaik.
`[shouting]`	Menaikkan volume ucapan berikutnya.	Tinggi	Paling efektif jika dipasangkan dengan perintah gaya yang cocok (misalnya, "Teriakkan bagian berikutnya") dan teks yang menyiratkan teriakan.
`[whispering]`	Menurunkan volume ucapan berikutnya.	Tinggi	Hasil terbaik dicapai saat perintah gaya juga eksplisit (misalnya, "sekarang bisikkan bagian ini selirih mungkin").
`[extremely fast]`	Meningkatkan kecepatan ucapan berikutnya.	Tinggi	Ideal untuk pernyataan penyangkalan atau dialog cepat. Hanya memerlukan dukungan perintah minimal.

Mode 3: Markup yang Diucapkan (Adjektiva)

Tag markup yang diucapkan sebagai kata, sekaligus memengaruhi nada bicara seluruh kalimat. Perilaku ini biasanya berlaku untuk kata sifat emosional.

Peringatan: Karena tagnya diucapkan, ada kemungkinan mode ini akan memunculkan efek samping yang tidak diinginkan untuk sebagian besar kasus penggunaan. Sebaiknya gunakan Perintah Gaya untuk menetapkan nada emosional ini.

Tag	Perilaku	Keandalan	Panduan
`[scared]`	Kata "takut" diucapkan, dan kalimatnya menggunakan nada takut.	Tinggi	Penyampaian suara sangat bergantung pada konten teks. Frasa "Aku baru saja mendengar suara jendela pecah" menghasilkan respons yang benar-benar takut. Frasa netral memberikan hasil yang "menyeramkan", tetapi kurang autentik.
`[curious]`	Kata "ingin tahu" diucapkan, dan kalimatnya menggunakan nada penasaran.	Tinggi	Gunakan frasa yang menyiratkan rasa ingin tahu untuk mendukung maksud tag.
`[bored]`	Kata "bosan" diucapkan, dan kalimatnya disampaikan dengan nada bosan dan monoton.	Tinggi	Gunakan dengan teks yang biasa atau berulang untuk mendapatkan efek terbaik.

Mode 4: Kecepatan dan Jeda

Tag ini menyisipkan kesenyapan dalam audio yang dihasilkan, sehingga memberi Anda kontrol terperinci atas ritme, pengaturan waktu, dan kecepatan. Tanda baca standar (koma, titik, titik koma) juga akan membuat jeda alami, tetapi tag ini menawarkan kontrol yang lebih eksplisit.

Tag	Perilaku	Keandalan	Panduan
`[short pause]`	Menyisipkan jeda singkat, mirip dengan koma (~250 md).	Tinggi	Gunakan untuk memisahkan klausa atau item daftar agar lebih jelas.
`[medium pause]`	Menyisipkan jeda standar, mirip dengan jeda kalimat (~500 md).	Tinggi	Efektif untuk memisahkan kalimat atau gagasan yang berbeda.
`[long pause]`	Menyisipkan jeda yang signifikan untuk efek dramatis (~1.000 md+).	Tinggi	Gunakan untuk pengaturan waktu yang dramatis. Misalnya: "Jawabannya adalah... `[long pause]` ...tidak." Hindari penggunaan yang berlebihan karena dapat terdengar tidak alami.

Strategi Utama untuk Hasil Efektif

Selaraskan Ketiga Aspek Untuk memaksimalkan prediktabilitas, pastikan Perintah Gaya, Konten Teks, dan Tag Markup semuanya konsisten secara semantik dan mengarah pada tujuan yang sama.
Gunakan Teks yang Kaya Emosi Jangan hanya mengandalkan perintah dan tag. Berikan teks yang kaya dan deskriptif agar model dapat bekerja secara optimal. Hal ini sangat penting untuk menghasilkan nuansa emosi seperti sarkasme, ketakutan, atau kegembiraan.
Tulis Perintah yang Spesifik dan Mendetail Makin spesifik perintah gaya Anda, makin efektif hasilnya. "Beri reaksi dengan tawa geli" lebih baik daripada hanya [laughing]. "Bicara seperti pembawa berita radio tahun 1940-an" lebih baik daripada "Bicara dengan gaya kuno".
Uji dan Verifikasi Tag Baru Perilaku tag baru atau yang belum diuji tidak selalu dapat diprediksi. Tag yang Anda kira adalah pengubah gaya bisa saja diucapkan. Selalu uji kombinasi tag atau perintah baru untuk mengonfirmasi perilakunya sebelum men-deploy ke produksi.

Gemini-TTS Tetap teratur dengan koleksi Simpan dan kategorikan konten berdasarkan preferensi Anda.

Model yang tersedia

Gemini 2.5 Flash TTS

Gemini 2.5 Pro TTS

Kontrol tambahan

Pilihan suara

Bahasa yang tersedia

Menggunakan Gemini-TTS

Sebelum memulai

Menyiapkan project Google Cloud

Melakukan sintesis satu penutur secara sinkron

Python

CURL

Melakukan sintesis multi-penutur secara sinkron dengan input teks berformat bebas

Python

CURL

Melakukan sintesis multi-penutur secara sinkron dengan input teks terstruktur

Python

CURL

Melakukan sintesis ucapan di Media Studio

Tips Menulis Perintah

Tiga Aspek Kontrol Ucapan

Panduan Tag Markup

Mode 1: Suara Non-Ucapan

Mode 2: Pengubah Gaya

Mode 3: Markup yang Diucapkan (Adjektiva)

Mode 4: Kecepatan dan Jeda

Strategi Utama untuk Hasil Efektif

Gemini-TTS