이 페이지의 일부 또는 모든 정보는 S3NS의 Cloud de Confiance에 적용되지 않을 수 있습니다. 자세한 내용은 Google Cloud와의 차이점을 참조하세요.

Google은 AI 기술을 사용하여 콘텐츠를 사용자의 기본 언어로 번역합니다. AI 번역에는 오류가 있을 수 있습니다.

Gemini TTS 프롬프트 작성 가이드

이 페이지에서는 Gemini 3.8 Flash TTS 및 Gemini 3.8 Flash-Lite TTS를 사용할 때 프롬프트를 작성하기 위한 권장사항을 설명합니다.

요청 구문 및 코드 샘플은 Gemini TTS 개요를 참고하세요.

Gemini 3.8 TTS 모델은 text 필드를 그대로의 스크립트로 취급합니다. 지속적인 턴 수준 방향은 speech_metadata에 들어가고 특정 시점의 음성 이벤트는 스크립트에 인라인으로 들어갑니다. 다음 요청은 턴 수준 style를 인라인 음성 태그 및 일시중지와 결합합니다.

{
  "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"}}
  }
}

스타일 필드와 인라인 태그 비교

범위별로 성능 안내를 분할합니다.

턴 수준 전달 (speech_metadata.style): 감정, 운율, 전체 속도, 전달 스타일 (예: "whispering", "out of breath", "muttering", "sarcastic")과 같은 지속적인 전달 속성을 speech_metadata의 style 필드에 넣습니다. 턴 전반에 걸쳐 안정적인 캐릭터와 성능을 만들려면 음성 디자인에서 페르소나를 미리 디자인하고 style는 선택적인 턴 수준 조정에만 사용하세요.
특정 시점 이벤트 (인라인 태그): 꺾쇠괄호(<cough>, <breath>, <sigh>, <short pause>)를 사용하여 스크립트 내에 순간적인 비음성 보컬 버스트, 호흡 또는 일시중지를 인라인으로 배치합니다. 최고 오디오 품질을 위해 꺾쇠괄호(<...>)를 사용하고 비음성 음향 효과보다는 사람의 발성에 집중합니다.

범위	배치 위치	예시
턴 수준 (턴 전체에 걸쳐 지속됨)	`speech_metadata.style`	`"angry tone"`, `"speaking rapidly"`, `"out of breath"`, `"whispers"`, `"sarcastic"`
시점 (특정 단어에서 발생)	`text` (`<...>`)의 인라인	`"<cough> Thank you all for coming tonight! <throat-clearing> As I was saying..."`

속도 조절 및 일시중지

다음 세 가지 수준에서 리듬과 무음을 제어할 수 있습니다.

구두점 및 줄임표: 자연스러운 망설임을 위해 쉼표, 대시 (--), 줄임표(...)를 사용합니다.
인라인 일시중지 태그: 화자가 일시중지해야 하는 위치에 <short pause> 또는 <long pause>를 삽입합니다. 예를 들면 "Hold on, let me think... <short pause> Alright, I've got it."입니다.
턴 수준 속도: speech_metadata에서 "style": "speaking rapidly" 또는 "style": "speaking slowly"를 설정하여 전체 턴의 말하기 속도를 제어합니다.

운율 및 음높이

speech_metadata.style를 사용하여 턴 전체에서 운율, 음높이, 억양을 제어합니다. 예를 들면 "style": "high pitch, cheerful and excited inflection" 또는 "style": "monotone and flat"입니다. 대화 중간에 감정이 바뀌면 스크립트를 별도의 턴으로 나누고 각 턴에 자체 style를 지정합니다.

강조

스크립트에서 단어를 대문자로 표시하여 강조합니다. 구두점과 인라인 태그도 함께 표시됩니다. 예를 들면 "This is a VERY important point!" 또는 "It was a VERY long day <sigh> ... nobody listens anymore."입니다.

보컬 버스트 및 음성 이외의 소리

소리가 발생해야 하는 지점에 꺾쇠괄호 (<...>)를 사용하여 음성이 아닌 사람의 발성을 인라인으로 배치합니다. 박수와 같은 비음성 음향 효과보다는 사람의 발성을 사용합니다. 권장되는 보컬 태그는 다음과 같습니다.

태그	태그	태그	태그
`<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>`

백채널 및 음성 겹침

여러 화자가 있는 대화에서는 활성 화자의 턴 내에서 파이프 문자(|reaction|)로 리스너 반응을 래핑합니다. 이렇게 하면 각 반응에 대해 별도의 턴이 없어도 자연스러운 백채널이나 중복되는 음성이 생성됩니다.

짧은 백채널: 활성 화자의 턴 내에 청취자의 짧은 반응을 레이어링합니다.
- 턴 1 (화자 A): "So the launch is Thursday |oh hmm| Are we actually ready?"
- 턴 2 (화자 B): "Ready enough |oh really?| The last blocker cleared this morning."
- 3번째 턴 (화자 A): "Then let's ship it |absolutely| and watch the dashboards."
중복되고 인터리브된 음성: 여러 파이프 세그먼트를 사용하여 동시 음성을 시뮬레이션합니다. 이 기능은 gemini-3.8-flash-tts에서 가장 잘 작동합니다.
- 카운트다운 또는 합창: "Let's surprise him on three |ok| ready?" 다음에 "one. two. three. |happy| happy |birthday| birthday!"
- 완전 중복: "Hello |oh| there |my| it |goodness| must |gracious| be |would| almost |you| time |look| for |at that| dinner"

세대 간 일관성 및 피해야 할 사항

다음 가이드라인에 따라 턴마다 음성 ID를 안정적으로 유지하세요.

긴 스타일 블록 대신 음성 디자인에서 미리 페르소나 디자인: 이전 모델에서 가져온 긴 형식의 "Audio Profile" 단락과 다중 글머리 기호 "Director's Notes"는 음성 드리프트의 가장 일반적인 원인입니다. 음성 디자인에서 동일한 창의적인 직관을 사용하여 지속적인 맞춤 voice_... 페르소나를 생성한 다음 TTS 호출을 통해 해당 음성 ID를 전달합니다.
안정성을 위해 음성 참조 사용 (메타 지침 생략): Gemini 3.8 TTS 모델은 오디오 참조를 먼저 고정하도록 학습됩니다. 모델에 음성을 안정적으로 유지하라고 지시하는 안내 (예: "do not switch speaker identity" 또는 "maintain identical timbre")를 포함하지 마세요. 프롬프트 텍스트가 추가되면 드리프트가 증가합니다. 불필요한 스타일 요청 사항을 삭제하고 모델이 음성 참조에서 제공하는 안정적인 지점을 중심으로 자연스럽게 변화하도록 합니다.
style에서 변경할 수 없는 화자 특성을 변경하려고 하지 않기: speech_metadata.style에 연령, 성별, 이름 또는 영구적인 억양 변화를 넣지 마세요. 대신 확장 음성 라이브러리에서 지역 음성을 선택하거나 음성 디자인으로 음성을 만드세요.

권장 워크플로

캐릭터를 한 번 빌드: 음성 디자인에서 캐릭터를 만들거나 타겟 언어 및 페르소나와 일치하는 확장 음성 라이브러리에서 지역 음성을 선택합니다.
자연스러운 구어체 스크립트 작성(유창성 문제 포함): 최대한 자연스럽게 text를 실제 구어체 스크립트로 작성합니다. 여기에는 자연스러운 대화의 유창성 문제와 망설임(예: "Oh uh yeah I think... hm, so that's interesting")이 포함됩니다.
일반 TTS 먼저 테스트: 먼저 빈 style 필드로 스크립트를 합성합니다. 대부분의 요청에는 style 명령어가 전혀 필요하지 않습니다.
조정을 위해서만 짧은 style 프롬프트 추가: 특정 제공 조정이 필요한 턴에만 간결한 style 문자열(예: "casual, friendly" 또는 "muttering, then reassuring")을 추가하고 일관된 기준을 원하는 경우 턴 전반에서 정확히 동일한 짧은 문자열을 재사용합니다.

멀티턴 대화 및 음성 에이전트

대화형 음성 에이전트 또는 기타 멀티턴 애플리케이션을 빌드할 때 다음 사항을 고려하세요.

LLM 텍스트가 도착하면 각 턴에 대해 하나의 TTS 요청을 합니다.
구성된 voice가 턴 간에 화자의 ID를 전달하도록 합니다. 매 턴마다 긴 페르소나 설명을 다시 보내지 마세요.
style을 비워 두거나 전체 대화에 대해 짧은 상수 문자열 하나를 보냅니다.
style 프롬프트를 강화하는 대신 긴 상담사 응답을 더 짧은 턴으로 분할합니다.

다음 단계

음성 디자인으로 일관된 캐릭터를 만듭니다.
이전 가이드를 사용하여 이전 모델용으로 작성된 프롬프트를 업데이트합니다.