O Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) é o principal modelo de conversão de texto em voz do Google, disponível no Gemini Enterprise. Ele foi criado para oferecer fidelidade de voz com qualidade de estúdio, atuação expressiva, sotaques regionais autênticos e áudio estável de formato longo e multiturno.
Recursos
- Fidelidade acústica e nuances de atuação: oferece uma ampla gama de emoções, cadência natural e aderência próxima às instruções de
styleno nível da vez e aos eventos vocais inline, como<laugh>,<sigh>e<short pause>. - Estabilidade de formato longo e multiturno: mantém a identidade de voz, o timbre, o volume e o tom da sala consistentes em diálogos longos e narrações de vários minutos.
- Pronúncia e sotaques regionais: compatível com sotaques regionais e dialetos minoritários em 130 idiomas.
- Opções de voz: funciona com 30 vozes pré-criadas, mais de 2.000 vozes selecionadas na Biblioteca de vozes avançada, vozes criadas com o Design de voz e vozes replicadas com a Replicação de voz.
Para recursos, exemplos de código e orientações sobre comandos, consulte Gerar fala com o Gemini TTS.
Quando usar cada modelo de TTS
Os dois modelos de TTS do Gemini 3.8 compartilham o mesmo esquema de solicitação e formato de comando. Escolha o modelo adequado para sua carga de trabalho:
| Recurso ou carga de trabalho | Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) |
Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) |
|---|---|---|
| Ponto forte principal | Fidelidade da voz, nuances da atuação e cobertura de dialetos | Alta capacidade de processamento, baixa latência e eficiência de custos |
| Melhores casos de uso | Audiolivros, narração em estúdio, diálogos complexos com vários falantes, tags de explosão vocal frequentes, pronúncia difícil, dialetos regionais | Produção de alto volume, cascatas de agentes de voz em tempo real, recursos de leitura em voz alta, replicação de voz, fala cotidiana de um único falante |
| Idiomas aceitos | 130 idiomas | 101 idiomas |
| ID do modelo | gemini-3.8-flash-tts |
|
|---|---|---|
| Modalidades |
|
|
| Limites de tokens | Limite de tokens de entrada | 8.192 |
| Limite de token de saída | 16.384 | |
| Recursos |
|
|
| APIs |
|
|
| Opções de consumo |
|
|
| Regiões compatíveis |
|
|
| Versões |
|
|
| Idiomas compatíveis | 130 idiomas. Consulte Idiomas aceitos. | |
Primeiros passos
O exemplo a seguir gera fala de um único falante e a salva como um arquivo WAV:
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
Se você usa um modelo Gemini TTS anterior, consulte o guia de migração.