Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) 是 Google 的旗艦文字轉語音模型，可透過 Gemini Enterprise 使用。這項技術可生成錄音室等級的語音，並模擬生動的演技和道地的區域口音，還能穩定生成長篇多輪對話音訊。
功能
- 聲學保真度和演技細微差異：可傳達廣泛的情緒、自然節奏，並密切遵循回合層級的
style指示和內嵌語音事件，例如<laugh>、<sigh>和<short pause>。 - 長篇多輪對話穩定性：在長篇對話和多分鐘旁白中，保持語音特徵、音色、音量和室內音調一致。
- 地區口音和發音：支援 130 種語言的地區口音和少數方言。
- 語音選項：支援 30 種預建語音、擴充語音庫中超過 2,000 種精選語音、使用語音設計建立的語音，以及使用語音複製複製的語音。
如需功能、程式碼範例和提示詞指南，請參閱「使用 Gemini TTS 生成語音」。
各個 TTS 模型的使用時機
Gemini 3.8 TTS 模型共用相同的要求結構定義和提示格式。 選擇符合工作負載需求的模型：
| 功能或工作負載 | Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) |
Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts) |
|---|---|---|
| 主要優點 | 語音保真度、演技細微差異和方言涵蓋範圍 | 高處理量、低延遲和成本效益 |
| 最佳用途 | 有聲書、錄音室旁白、複雜的多人對話、頻繁的語音爆裂標記、難以發音的字詞、地區方言 | 大量製作、即時語音代理串聯、朗讀功能、語音複製、日常單人語音 |
| 支援的語言 | 130 種語言 | 101 種語言 |
| 模型 ID | gemini-3.8-flash-tts |
|
|---|---|---|
| 形式 |
|
|
| 權杖限制 | 輸入詞元數上限 | 8,192 |
| 輸出詞元限制 | 16,384 | |
| 功能 | ||
| API |
|
|
| 用量方案 | ||
| 支援的地區 |
|
|
| 版本 |
|
|
| 支援的語言 | 130 種語言。請參閱「支援的語言」。 | |
開始使用
以下範例會生成單一說話者的語音，並儲存為 WAV 檔案：
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
如果使用舊版 Gemini TTS 模型，請參閱遷移指南。