Google menggunakan teknologi AI untuk menerjemahkan konten ke dalam bahasa pilihan Anda. Terjemahan AI mungkin mengandung kesalahan.

Membuat ucapan dengan Gemini TTS

Model text-to-speech (TTS) Gemini mengonversi teks menjadi audio satu pembicara atau multi-pembicara. Anda dapat mengontrol gaya, aksen, kecepatan, dan nada audio dengan metadata giliran terstruktur (speech_metadata) dan tag vokal inline.

Halaman ini menunjukkan cara membuat ucapan dengan model berikut menggunakan metode generateContent dan streamGenerateContent dari Gemini Enterprise API:

Gemini 3.8 Flash TTS (gemini-3.8-flash-tts)
Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts)

Model TTS disesuaikan untuk pembacaan teks yang tepat dengan kontrol yang mendetail atas gaya dan suara, seperti narasi, buku audio, dan respons agen suara. Untuk percakapan interaktif real-time dengan input dan output audio, gunakan Live API.

Jika Anda menggunakan model Gemini TTS yang lebih lama, seperti gemini-3.1-flash-tts-preview, lihat panduan migrasi.

Untuk mencoba pembuatan ucapan satu penutur tanpa menulis kode, buka Gemini 3.8 Flash TTS di Agent Studio:

Coba Gemini 3.8 TTS di Agent Studio

Model yang didukung

Model	Satu penutur	Multi-penutur	Streaming	Desain suara (Pratinjau)	Replikasi suara (Pratinjau)
Gemini 3.8 Flash TTS (`gemini-3.8-flash-tts`)
Gemini 3.8 Flash-Lite TTS (`gemini-3.8-flash-lite-tts`)
Pratinjau Gemini 3.1 Flash TTS (`gemini-3.1-flash-tts-preview`)
Gemini 2.5 Pro TTS (`gemini-2.5-pro-tts`)
Gemini 2.5 Flash TTS (`gemini-2.5-flash-tts`)

Contoh dan fitur di halaman ini berlaku untuk model TTS Gemini 3.8. Untuk model sebelumnya, lihat Gemini-TTS dalam dokumentasiGoogle Cloud Text-to-Speech.

Kapan harus menggunakan model tertentu

Kedua model TTS Gemini 3.8 memiliki skema permintaan dan format perintah yang sama, sehingga Anda dapat beralih di antara keduanya dengan mengubah ID model:

Gunakan Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) jika fidelitas akustik, akting bernuansa, dan kontrol ekspresif menjadi prioritas utama. Model ini cocok untuk pekerjaan kreatif tingkat studio, dialog multi-pembicara yang kompleks, tag vocal burst yang sering, pengucapan yang sulit, dialek regional atau minoritas, dan narasi panjang yang memerlukan suara dan nada ruangan yang stabil.
Gunakan Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) untuk workload produksi yang cepat dan hemat biaya. Model ini adalah pengganti yang direkomendasikan untuk gemini-3.1-flash-tts-preview, dan cocok untuk produksi batch bervolume tinggi, kaskade agen suara percakapan, fitur baca lisan, replikasi suara, dan ucapan satu pembicara sehari-hari dalam berbagai bahasa utama.

Sebelum memulai

Siapkan project dan aktifkan Gemini Enterprise API.
Konfigurasikan Kredensial Default Aplikasi untuk lingkungan pengembangan Anda.
Untuk menggunakan contoh Python, instal Google Gen AI SDK versi 2.33.0 atau yang lebih baru:
```
pip install --upgrade "google-genai>=2.33.0"
```

Lokasi dan endpoint regional yang tersedia

Model TTS Gemini 3.8 tersedia di lokasi global serta di lokasi multi-region us dan eu:

Lokasi	Parameter lokasi	Endpoint
Global	`global`	`https://aiplatform.googleapis.com`
Amerika Serikat (multi-region)	`us`	`https://aiplatform.us.rep.googleapis.com`
Uni Eropa (multi-region)	`eu`	`https://aiplatform.eu.rep.googleapis.com`

Untuk mengarahkan permintaan ke endpoint regional, tetapkan location="us" (atau location="eu") saat melakukan inisialisasi klien di SDK, atau kirim permintaan ke nama host multi-region yang sesuai (https://aiplatform.us.rep.googleapis.com atau https://aiplatform.eu.rep.googleapis.com) dengan jalur lokasi yang cocok di URL REST:

Python

from google import genai

# Set location to 'us' or 'eu' for multi-region routing (or 'global' for global)
client = genai.Client(
    enterprise=True,
    project="PROJECT_ID",
    location="us",
)

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"}},
    },
)

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.us.rep.googleapis.com/v1/projects/PROJECT_ID/locations/us/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

TTS satu penutur

Untuk mengonversi teks menjadi audio satu pembicara, teruskan transkrip verbatim di parts[].text, tambahkan gaya opsional di tingkat giliran di parts[].speech_metadata, dan tetapkan suara di speechConfig.voiceConfig.voice. Kolom voice menerima nama suara bawaan, ID suara Extended Voice Library, atau ID (voice_...) suara yang didesain atau direplikasi (atau kunci voicekey_... stateless opsional).

Secara default, permintaan unary menampilkan file WAV lengkap (PCM 16-bit, 24 kHz, mono), sehingga Anda dapat menulis byte audio langsung ke file .wav. Permintaan streaming akan menampilkan potongan PCM mentah. Untuk mengetahui detail dan encoding lainnya, lihat Format output audio.

Konsol

Buka Gemini 3.8 Flash TTS atau Gemini 3.8 Flash-Lite TTS di Agent Studio.
Di panel setelan, pilih Voice bawaan, Language (atau tetap gunakan Auto-detect), dan deskripsi Style opsional (misalnya, cheerful and friendly).
Masukkan transkrip yang akan diucapkan di kotak perintah dan kirimkan untuk membuat, memutar, atau mendownload audio WAV. Klik Get code untuk mengekspor permintaan sebagai Python, JavaScript, atau curl.

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

TTS streaming satu penutur

Untuk menerima audio saat model masih menyintesisnya, gunakan metode streamGenerateContent. Respons streaming menampilkan potongan PCM 16-bit mentah tanpa header (24 kHz, mono), sehingga Anda dapat meneruskan setiap potongan ke pemutar, soket, atau pipeline audio lainnya saat tiba. Dalam contoh Python berikut, fungsi emit_audio menggantikan tujuan tersebut.

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

def emit_audio(pcm: bytes) -> None:
    """Sends a chunk of raw 16-bit PCM audio (24 kHz, mono) downstream."""
    # Replace with your audio destination, such as a player, a WebSocket,
    # or a telephony stream.
    print(f"Received {len(pcm)} bytes of audio")

response_stream = client.models.generate_content_stream(
    model="gemini-3.8-flash-lite-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"}},
    },
)

for chunk in response_stream:
    if not chunk.candidates or not chunk.candidates[0].content:
        continue
    for part in chunk.candidates[0].content.parts or []:
        if part.inline_data and part.inline_data.data:
            emit_audio(part.inline_data.data)

REST

curl -N -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-lite-tts:streamGenerateContent?alt=sse" \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [{
        "text": "Have a wonderful day!",
        "speechMetadata": {"style": "cheerful and friendly"}
      }]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "voiceConfig": {"voice": "Kore"}
      }
    }
  }' | sed -n 's/^data: //p' \
    | jq -r '.candidates[0].content.parts[0].inlineData.data // empty' \
    | while read -r chunk; do echo "$chunk" | base64 --decode; done > streamed.pcm

File streamed.pcm berisi audio PCM 16-bit mentah pada 24 kHz, mono.

TTS multi-penutur

Untuk dialog antara dua pembicara, konfigurasikan kedua pembicara di speechConfig.multiSpeakerVoiceConfig.speakerVoiceConfigs. Kemudian, teruskan setiap giliran sebagai part terpisah, tetapkan speech_metadata.speaker pada setiap giliran ke salah satu nama pembicara yang dikonfigurasi, dan tambahkan style tingkat giliran opsional.

Permintaan multi-pembicara memerlukan tepat dua pembicara.

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": "How's it going today, Jane?",
                "speech_metadata": {"speaker": "Joe", "style": "cheerful and friendly"},
            },
            {
                "text": "Not too bad, how about you? Ready to test these new voices?",
                "speech_metadata": {"speaker": "Jane", "style": "calm and relaxed"},
            },
        ],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "multi_speaker_voice_config": {
                "speaker_voice_configs": [
                    {"speaker": "Joe", "voice_config": {"voice": "Puck"}},
                    {"speaker": "Jane", "voice_config": {"voice": "Kore"}},
                ]
            }
        },
    },
)

with open("dialogue.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": "How'\''s it going today, Jane?",
          "speechMetadata": {"speaker": "Joe", "style": "cheerful and friendly"}
        },
        {
          "text": "Not too bad, how about you? Ready to test these new voices?",
          "speechMetadata": {"speaker": "Jane", "style": "calm and relaxed"}
        }
      ]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "multiSpeakerVoiceConfig": {
          "speakerVoiceConfigs": [
            {"speaker": "Joe", "voiceConfig": {"voice": "Puck"}},
            {"speaker": "Jane", "voiceConfig": {"voice": "Kore"}}
          ]
        }
      }
    }
  }' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > dialogue.wav

TTS streaming multi-pembicara

Permintaan multi-pembicara juga mendukung streaming. Gunakan permintaan yang sama seperti di TTS multi-pembicara dengan metode streamGenerateContent.

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

def emit_audio(pcm: bytes) -> None:
    """Sends a chunk of raw 16-bit PCM audio (24 kHz, mono) downstream."""
    # Replace with your audio destination, such as a player, a WebSocket,
    # or a telephony stream.
    print(f"Received {len(pcm)} bytes of audio")

response_stream = client.models.generate_content_stream(
    model="gemini-3.8-flash-tts",
    contents=[{
        "role": "user",
        "parts": [
            {
                "text": "How's it going today, Jane?",
                "speech_metadata": {"speaker": "Joe", "style": "cheerful and friendly"},
            },
            {
                "text": "Not too bad, how about you? Ready to test these new voices?",
                "speech_metadata": {"speaker": "Jane", "style": "calm and relaxed"},
            },
        ],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "multi_speaker_voice_config": {
                "speaker_voice_configs": [
                    {"speaker": "Joe", "voice_config": {"voice": "Puck"}},
                    {"speaker": "Jane", "voice_config": {"voice": "Kore"}},
                ]
            }
        },
    },
)

for chunk in response_stream:
    if not chunk.candidates or not chunk.candidates[0].content:
        continue
    for part in chunk.candidates[0].content.parts or []:
        if part.inline_data and part.inline_data.data:
            emit_audio(part.inline_data.data)

REST

curl -N -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  "https://aiplatform.googleapis.com/v1/projects/PROJECT_ID/locations/global/publishers/google/models/gemini-3.8-flash-tts:streamGenerateContent?alt=sse" \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [
        {
          "text": "How'\''s it going today, Jane?",
          "speechMetadata": {"speaker": "Joe", "style": "cheerful and friendly"}
        },
        {
          "text": "Not too bad, how about you? Ready to test these new voices?",
          "speechMetadata": {"speaker": "Jane", "style": "calm and relaxed"}
        }
      ]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "multiSpeakerVoiceConfig": {
          "speakerVoiceConfigs": [
            {"speaker": "Joe", "voiceConfig": {"voice": "Puck"}},
            {"speaker": "Jane", "voiceConfig": {"voice": "Kore"}}
          ]
        }
      }
    }
  }' | sed -n 's/^data: //p' \
    | jq -r '.candidates[0].content.parts[0].inlineData.data // empty' \
    | while read -r chunk; do echo "$chunk" | base64 --decode; done > dialogue_streamed.pcm

File dialogue_streamed.pcm berisi audio PCM 16-bit mentah pada 24 kHz, mono.

Mengontrol gaya ucapan dengan metadata dan tag

Model Gemini 3.8 TTS memperlakukan kolom text sebagai transkrip verbatim. Petunjuk yang ditulis dalam teks, seperti "Say cheerfully: Hello!" atau "Speaker 1: Hello!", mungkin dibacakan secara lisan. Untuk mengontrol pengiriman, bagi petunjuk Anda berdasarkan cakupan:

Penyampaian tingkat giliran berkelanjutan (speech_metadata.style): Masukkan emosi, gaya penyampaian, prosodi, kecepatan, dan volume yang berlaku untuk seluruh giliran dalam speech_metadata.style. Misalnya, "style": "whispered urgently", "style": "out of breath", atau "style": "warm and enthusiastic".
Peristiwa point-in-time (tag inline): Tempatkan suara vokal non-ucapan sesaat dan jeda di dalam transkrip dalam tanda kurung sudut. Misalnya, "Wait... <short pause> did you hear that? <sigh>" atau "Excuse me <cough> as I was saying...".

Untuk panduan selengkapnya, lihat panduan perintah.

Pilihan suara

Model TTS Gemini 3.8 mendukung empat cara untuk memilih atau membuat suara:

Suara bawaan: 30 suara pilihan.
Extended Voice Library: Lebih dari 2.000 suara preset yang diseleksi dalam berbagai bahasa, aksen regional, dan persona karakter.
Desain suara (Pratinjau): Buat suara kustom dari deskripsi bahasa alami dengan metode Voices API create (client.voices.create() di Google Gen AI SDK, atau POST https://aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/global/voices). Tetapkan type ke VOICE_TYPE_PROMPTED dan store ke true. Respons akan menampilkan ID voice_... yang disimpan dan sampel suara.
Replikasi suara (Pratinjau): Replikasi suara pembicara dari audio referensi dan izin dengan metode create yang sama. Tetapkan type ke VOICE_TYPE_REPLICATED. Dengan store: true, respons akan menampilkan ID voice_... yang tersimpan. Dengan store: false, fungsi ini menampilkan kunci voicekey_... stateless.

Batas dan TTL suara kustom

Jenis suara	Mode penyimpanan	Pengelolaan	Akhir masa berlaku
Suara tersimpan (`voice_...`, didesain atau direplikasi)	`store: true`	Metode `list`, `get`, dan `delete` Voices API	1 tahun setelah penggunaan terakhir
Kunci replikasi suara (`voicekey_...`)	`store: false`	Dikelola oleh aplikasi Anda. Google tidak menyimpan kunci.	7 hari setelah pembuatan

Membuat ucapan dengan suara yang disimpan akan memulai ulang periode retensi satu tahunnya, sehingga suara yang Anda gunakan secara rutin tidak akan habis masa berlakunya. Permintaan pembuatan suara tunduk pada kuota per project, per menit. Jika Anda melampauinya, metode create akan menampilkan error RESOURCE_EXHAUSTED. Untuk mengetahui informasi selengkapnya, lihat Kuota dan batas sistem.

Penyimpanan dan retensi data

Google menyimpan input yang Anda berikan saat membuat suara tersimpan, bersama dengan artefak suara yang berasal dari input tersebut, yang terkait dengan projectGoogle Cloud yang membuat suara tersebut.

Saat Anda membuat suara replika dari rekaman pembicara, suara tersebut akan menyimpan hal berikut:

Audio referensi: Sampel pembicara yang suaranya direplikasi.
Audio izin: Pembicara membacakan pernyataan izin yang diperlukan.

Saat Anda membuat suara yang dirancang menggunakan deskripsi teks suara dalam perintah, suara tersebut akan menyimpan hal berikut:

Perintah teks yang Anda tulis untuk mendeskripsikan suara.
Audio suara yang dihasilkan dari perintah tersebut, yang digunakan model sebagai referensi untuk suara.

Suara yang dirancang tidak memiliki audio izin, karena dibuat dari deskripsi, bukan dari rekaman seseorang.

Input suara disimpan agar suara Anda terus berfungsi di seluruh update model. Artefak suara dibuat ulang dari input yang disimpan saat model yang mendasarinya diperbarui. Jika tidak ada input tersimpan yang ditemukan untuk suatu suara, artefaknya tidak dapat dibuat ulang, dan suara tersebut akan berhenti berfungsi setelah update model. Kemudian, Anda harus membuat suara lagi.

Input yang disimpan hanya digunakan untuk membuat ulang suara saat model diperbarui. Suara tersebut dienkripsi dalam penyimpanan dan diisolasi ke project yang membuat suara tersebut.

Periode retensi data

Suara dan semua data tersimpan yang terkait akan dipertahankan hingga satu tahun (365 hari) sejak terakhir kali Anda menggunakan suara tersebut untuk menyintesis ucapan. Periode ini dimulai saat Anda membuat suara, dan direset setiap kali Anda mengirim permintaan sintesis yang menggunakan suara tersebut. Jika suara tidak digunakan selama 365 hari, suara, input yang disimpan, dan artefak turunannya akan dihapus.

Penghapusan oleh pelanggan

Anda dapat menghapus suara kapan saja dengan metode delete Voices API. Menghapus suara akan menghapus input yang tersimpan dan artefak turunannya. Menghapus project Google Cloud yang memiliki suara juga akan menghapusnya, mengikuti proses penghapusan project standar.

Suara bawaan

Daftar berikut menunjukkan setiap nama suara bawaan dan karakteristiknya:

Achernar: Lembut
Achird: Ramah
Algenib: Parau
Algieba: Halus
Alnilam: Firm
Aoede: Ringan
Autonoe: Ceria
Callirrhoe: Santai
Charon: Informatif
Despina: Halus
Enceladus: Berdesah
Erinome: Jelas
Fenrir: Antusias
Gacrux: Dewasa
Iapetus: Jelas
Kore: Tegas
Laomedeia: Riang
Leda: Belia
Orus: Tegas
Puck: Ceria
Pulcherrima: Spontan
Rasalgethi: Informatif
Sadachbia: Bersemangat
Sadaltager: Berpengetahuan
Schedar: Even
Sulafat: Hangat
Umbriel: Santai
Vindemiatrix: Tenang
Zephyr: Ceria
Zubenelgenubi: Kasual

Koleksi Suara yang Diperluas

Selain 30 suara bawaan, Extended Voice Library menyediakan lebih dari 2.000 suara preset pilihan dalam berbagai bahasa, aksen regional, persona karakter, dan kasus penggunaan seperti buku audio, agen percakapan, dan berita. Untuk menggunakan suara library, teruskan ID-nya di speechConfig.voiceConfig.voice, dengan cara yang sama seperti Anda meneruskan nama suara bawaan.

Untuk menjelajahi library, panggil metode list Voices API (ListVoices). Metode ini menampilkan suara kustom yang disimpan dalam project Anda, diikuti dengan suara bawaan dan Extended Voice Library. Setiap suara library menyertakan id dan metadatanya seperti language_code, accent, gender, pitch, persona, dan description. Untuk mempersempit hasil, gunakan filter berikut:

type: Sumber suara: prebuilt untuk suara bawaan dan library, prompted untuk suara yang didesain, atau replicated untuk suara yang direplikasi. Jika Anda meneruskan lebih dari satu nilai, metode ini akan menampilkan suara yang cocok dengan salah satu nilai tersebut.
search: Teks yang akan dicocokkan, tanpa peka huruf besar/kecil, dengan nama tampilan dan deskripsi setiap suara.

Contoh berikut menelusuri koleksi untuk menemukan suara narator:

Python

from google import genai

client = genai.Client(enterprise=True, project="PROJECT_ID", location="global")

response = client.voices.list(type_=["prebuilt"], search="narrator", page_size=50)
for voice in response.voices or []:
    print(voice.id, voice.language_code, voice.gender, voice.description)

REST

curl -G \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  https://aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/global/voices \
  --data-urlencode "type=prebuilt" \
  --data-urlencode "search=narrator" \
  --data-urlencode "pageSize=50"

Metode list menampilkan hingga 50 suara per halaman. Untuk mendapatkan halaman berikutnya, teruskan nilai next_page_token dari respons sebagai parameter page_token.

Format output audio

Encoding audio default bergantung pada metode:

Permintaan unary (generateContent) menampilkan file WAV lengkap (audio/wav) dengan header RIFF: PCM 16-bit, 24 kHz, mono.
Permintaan streaming (streamGenerateContent) menampilkan potongan PCM little-endian bertanda 16-bit mentah tanpa header (audio/l16) pada 24 kHz, mono.

Untuk meminta encoding yang berbeda, tetapkan generationConfig.responseFormat ke format audio. Model TTS Gemini 3.8 mendukung nilai mimeType berikut:

Nilai `mimeType`	Format	Deskripsi
`AUDIO_WAV` (default unary)	WAV (`audio/wav`)	File WAV lengkap dengan header RIFF (PCM 16-bit, 24 kHz, mono).
`AUDIO_L16` (streaming default)	PCM Linear (`audio/l16`)	PCM little-endian bertanda 16-bit mentah tanpa header. Gunakan untuk streaming, pipeline audio kustom, atau menggabungkan klip multi-turn.
`AUDIO_MULAW`	hukum μ (`audio/mulaw`)	Audio kompresi G.711 μ-law (8 kHz, mono), yang umum digunakan dalam telepon di Amerika Utara dan Jepang.
`AUDIO_ALAW`	A-law (`audio/alaw`)	Audio kompresi G.711 A-law (8 kHz, mono), yang umum digunakan dalam telepon Eropa dan internasional.

Model mengabaikan kolom sampleRate. Output PCM dan WAV linear adalah 24 kHz, dan output μ-law dan A-law adalah 8 kHz, terlepas dari kecepatan dalam respons mimeType. Lakukan pengambilan sampel ulang output pada klien jika pipeline Anda memerlukan frekuensi sampel yang berbeda.

Contoh berikut meminta output μ-law untuk pipeline telepon. Google Gen AI SDK for Python tidak mengekspos responseFormat di GenerateContentConfig, sehingga contoh Python meneruskannya dalam isi permintaan dengan http_options.extra_body.

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!"}]}],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {"voice_config": {"voice": "Kore"}},
        "http_options": {
            "extra_body": {
                "generationConfig": {
                    "responseFormat": [{"audio": {"mimeType": "AUDIO_MULAW"}}]
                }
            }
        },
    },
)

# The response is headerless μ-law audio at 8 kHz, mono.
with open("out.mulaw", "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!"}]}],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "responseFormat": [{"audio": {"mimeType": "AUDIO_MULAW"}}],
      "speechConfig": {
        "voiceConfig": {"voice": "Kore"}
      }
    }
  }' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > out.mulaw

Bahasa yang didukung

Model TTS Gemini 3.8 mendeteksi bahasa input secara otomatis. Gemini 3.8 Flash TTS mendukung 130 bahasa, dan Gemini 3.8 Flash-Lite TTS mendukung 101 bahasa:

Bahasa	Gemini 3.8 Flash TTS	Gemini 3.8 Flash-Lite TTS
Aceh (aksara Arab)
Afrika
Akan
Amhara
Armenia
Assam
Awadhi
Bali
Bangla
Banjar (aksara Arab)
Banjar (skrip Latn)
Bashkir
Basque
Belarus
Bemba
Bhojpuri
Bosnia
Bugis
Bulgaria
Burma
Kanton
Catalan
Cebuano
Kurdi Tengah
Chhattisgarhi
China (Aksara Hans)
China (aksara Hant)
Tatar Krimea
Kroasia
Ceko
Denmark
Belanda
Dyula
Dzongkha
Arab Mesir
Inggris
Estonia
Filipina
Finlandia
Prancis
Galisia
Ganda
Georgia
Jerman
Yunani
Guarani
Gujarat
Kreol Haiti
Mongolia Halh
Hausa
Ibrani
Hindi
Hungaria
Islandia
Igbo
Iloko
Indonesia
Persia Iran
Italia
Jepang
Jawa
Kabyle
Kamba
Kannada
Kashmir (skrip Arab)
Kashmir (skrip Deva)
Kazak
Khmer
Kikuyu
Kinyarwanda
Kongo
Korea
Kirgiz
Laos
Latgalia
Lingala
Lituania
Luksemburg
Makedonia
Magahi
Maithili
Malayalam
Malta
Manipuri
Marathi
Minangkabau (aksara Arab)
Minangkabau (skrip Latn)
Mizo
Nepali (bahasa individu)
Fulfulde Nigeria
Azerbaijan Utara
Sotho Utara
Uzbek Utara
Bokmål Norwegia
Nynorsk Norwegia
Nyanja
Oksitan
Odia (bahasa individual)
Pangasinan
Farsi (Afganistan)
Polandia
Portugis
Punjab
Rumania
Rusia
Santali
Serb
Sindhi
Sinhala
Slovakia
Slovenia
Somali
Azerbaijan Selatan
Pashto Selatan
Sotho Selatan
Spanyol
Arab Standar (skrip Arab)
Arab Standar (skrip Latn)
Latvia Standar
Melayu Standar
Swahili (bahasa individual)
Swati
Swedia
Tajik
Tamil
Telugu
Thai
Tigrinya
Tosk Albania
Uighur

Batasan

Model TTS menerima input khusus teks dan menampilkan output khusus audio.
Permintaan multi-pembicara memerlukan tepat dua pembicara. Untuk menggabungkan suara yang didesain (voice_...) atau direplikasi (voice_... atau voicekey_...) dalam dialog multi-karakter, atau untuk menggunakan lebih dari dua speaker, sintesis setiap giliran speaker satu per satu dan gabungkan audionya. Minta output AUDIO_L16 untuk setiap giliran, atau hapus header WAV dari setiap klip sebelum Anda menggabungkan klip.
Model ini tersedia di lokasi global, us, dan eu.
Suara kustom milik pengguna (suara yang dibuat dengan desain suara atau replikasi suara) hanya tersedia di lokasi global.
Petunjuk sistem tidak didukung.
Anda tidak dapat menetapkan frekuensi sampel output. Output MP3 dan Ogg Opus tidak didukung.

Langkah berikutnya

Pelajari cara mengarahkan gaya, tempo, dan suara vokal dalam panduan perintah.
Buat suara kustom dari deskripsi teks dengan Desain suara (Pratinjau).
Mereplikasi suara pembicara dengan Replikasi suara (Pratinjau).
Tinjau spesifikasi model di halaman model Gemini 3.8 Flash TTS dan Gemini 3.8 Flash-Lite TTS.

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

Model yang didukung

Kapan harus menggunakan model tertentu

Sebelum memulai

Lokasi dan endpoint regional yang tersedia

Python

REST

TTS satu penutur

Konsol

Python

REST

TTS streaming satu penutur

Python

REST

TTS multi-penutur

Python

REST

TTS streaming multi-pembicara

Python

REST

Mengontrol gaya ucapan dengan metadata dan tag

Pilihan suara

Batas dan TTL suara kustom

Penyimpanan dan retensi data

Periode retensi data

Penghapusan oleh pelanggan

Suara bawaan

Koleksi Suara yang Diperluas

Python

REST

Format output audio

Python

REST

Bahasa yang didukung

Batasan

Langkah berikutnya

Membuat ucapan dengan Gemini TTS