Créer une voix personnalisée avec la conception vocale

Vous pouvez créer une voix personnalisée à partir d'une description en langage naturel à l'aide de la fonctionnalité Conception de voix. Au lieu de choisir une voix prédéfinie ou d'enregistrer un audio de référence, vous créez une voix en décrivant l'âge, le timbre, l'accent et le débit de base d'un personnage. L'API Voices stocke la voix dans votre projet et renvoie un ID voice_... réutilisable que vous transmettez dans les requêtes de génération de la parole.

Les voix conçues fonctionnent avec Gemini 3.8 Flash TTS (gemini-3.8-flash-tts) et Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts).

Fonctionnement de la conception vocale

  1. Créer une voix suggérée : appelez la méthode create de l'API Voices avec voice.type défini sur VOICE_TYPE_PROMPTED et store défini sur true.
  2. Recevoir un ID vocal et un échantillon : l'API Voices génère la voix, la stocke dans votre projet et renvoie son ID (par exemple, voice_abc123...) dans le champ id et un échantillon de la voix dans le champ sample_audio.
  3. Générer de la parole : transmettez l'ID de la voix dans speechConfig.voiceConfig.voice lorsque vous appelez generateContent ou streamGenerateContent.

Avant de commencer

Suivez les étapes de la section Avant de commencer sur la page Gemini TTS. L'API Voices est disponible dans la région global avec la version v1beta1 de l'API.

Créer une voix conçue

Définissez les champs suivants dans la requête :

  • store : doit être true. Les voix conçues sont toujours stockées dans votre projet.
  • voice.type : VOICE_TYPE_PROMPTED.
  • voice.prompted.input : description en langage naturel de la voix.
  • voice.display_name, voice.gender, voice.language_code : métadonnées facultatives pour la voix.

Ne définissez pas voice.model. Les requêtes qui définissent un modèle avec store: true échouent et renvoient une erreur INVALID_ARGUMENT.

La conception d'une voix peut prendre plusieurs secondes. L'exemple Python définit le délai avant expiration de la requête sur 60 secondes.

La réponse contient les champs suivants :

  • id : ID de la nouvelle voix.
  • sample_audio : un échantillon de la voix. Le champ data contient l'audio encodé en base64, et le champ mime_type nomme son encodage. Par exemple, audio/l16; rate=24000; channels=1 correspond à un PCM 16 bits sans en-tête à 24 kHz, mono.

  • usage : nombre de jetons utilisés par la requête. Pour en savoir plus, consultez Tarifs.

Python

import base64
import wave

from google import genai

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

voice = client.voices.create(
    store=True,
    voice={
        "type": "VOICE_TYPE_PROMPTED",
        "display_name": "Warm British Astronomer",
        "gender": "male",
        "language_code": "en-GB",
        "prompted": {
            "input": (
                "A warm, thoughtful astronomer in his late 60s with a gentle"
                " British accent, speaking with quiet wonder."
            )
        },
    },
    timeout=60,
)

print(f"Created voice ID: {voice.id}")

# Save the voice sample. The SDK returns sample_audio.data as a base64
# string. Raw 16-bit PCM (audio/l16) needs a WAV header.
sample = base64.b64decode(voice.sample_audio.data)
if voice.sample_audio.mime_type.lower().startswith("audio/l16"):
    with wave.open("voice_sample.wav", "wb") as wf:
        wf.setnchannels(1)
        wf.setsampwidth(2)
        wf.setframerate(24000)
        wf.writeframes(sample)
else:
    with open("voice_sample.wav", "wb") as f:
        f.write(sample)

REST

curl -X POST \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  -H "Content-Type: application/json" \
  https://aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/global/voices \
  -d '{
    "store": true,
    "voice": {
      "type": "VOICE_TYPE_PROMPTED",
      "displayName": "Warm British Astronomer",
      "gender": "male",
      "languageCode": "en-GB",
      "prompted": {
        "input": "A warm, thoughtful astronomer in his late 60s with a gentle British accent, speaking with quiet wonder."
      }
    }
  }' > created_voice.json

# Print the voice ID and the encoding of the voice sample.
jq -r '.id, .sample_audio.mime_type' created_voice.json

# Decode the voice sample.
jq -r '.sample_audio.data' created_voice.json | base64 --decode > voice_sample.pcm

Si sample_audio.mime_type est défini sur audio/l16, le fichier voice_sample.pcm contient un fichier audio PCM 16 bits sans en-tête à 24 kHz, en mono.

Pour entendre la voix avec votre propre texte, générez la parole avec celle-ci, comme indiqué dans la section suivante.

Générer une voix conçue

Transmettez l'identité vocale dans speechConfig.voiceConfig.voice :

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": (
                "Look out past the rings of Saturn. Those faint photons left"
                " their source millions of years ago."
            ),
            "speech_metadata": {"style": "reflective and awe-inspired"},
        }],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {"voice_config": {"voice": "VOICE_ID"}},
    },
)

# The SDK has already decoded the base64 audio, so inline_data.data is a
# complete WAV file by default.
with open("designed_voice.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": "Look out past the rings of Saturn. Those faint photons left their source millions of years ago.",
        "speechMetadata": {"style": "reflective and awe-inspired"}
      }]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "voiceConfig": {"voice": "VOICE_ID"}
      }
    }
  }' | jq -r '.candidates[0].content.parts[0].inlineData.data' | base64 --decode > designed_voice.wav

Remplacez VOICE_ID par l'ID vocal renvoyé par la méthode create.

Gérer les voix stockées

Vous pouvez lister, obtenir et supprimer les voix stockées dans votre projet, y compris les voix conçues et les voix répliquées stockées. La méthode list renvoie les voix stockées dans votre projet, suivies des voix prédéfinies et de la bibliothèque vocale étendue. Pour ne lister que les voix stockées dans votre projet, définissez le filtre type sur prompted et replicated, comme dans les exemples suivants. La méthode get renvoie également l'échantillon d'une voix conçue dans le champ sample_audio.

Python

from google import genai

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

# List the voices stored in your project.
for voice in client.voices.list(type_=["prompted", "replicated"]).voices or []:
    print(voice.id, voice.display_name, voice.type)

# Get a voice by ID.
voice = client.voices.get(id="VOICE_ID")

# Delete a voice.
client.voices.delete(id="VOICE_ID")

REST

# List the voices stored in your project.
curl -G \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  https://aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/global/voices \
  --data-urlencode "type=prompted" \
  --data-urlencode "type=replicated"

# Get a voice by ID.
curl -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  https://aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/global/voices/VOICE_ID

# Delete a voice.
curl -X DELETE \
  -H "Authorization: Bearer $(gcloud auth print-access-token)" \
  https://aiplatform.googleapis.com/v1beta1/projects/PROJECT_ID/locations/global/voices/VOICE_ID

Limites

  • Les voix enregistrées expirent un an après leur dernière utilisation. La génération de la synthèse vocale avec une voix redémarre cette période. Par conséquent, une voix que vous utilisez régulièrement n'expire pas. Supprimez les voix dont vous n'avez plus besoin.
  • Les demandes de création de voix sont soumises à un quota par projet et par minute. Si vous la dépassez, la méthode create renvoie une erreur RESOURCE_EXHAUSTED. Patientez, puis réessayez. Pour en savoir plus, consultez Quotas et limites du système.

Tarifs

La création d'une voix personnalisée est facturée en fonction des jetons d'entrée de texte et des jetons de sortie audio aux tarifs de Gemini 3.8 Flash TTS. Les jetons de sortie audio couvrent l'échantillon vocal généré par l'API Voices. Le champ usage de la réponse create indique les deux nombres. Par exemple, la description d'une phrase dans create sample utilise environ 220 jetons d'entrée et environ 1 100 jetons de sortie.

Les méthodes get, list et delete ne sont pas facturées. La synthèse vocale que vous générez avec une voix conçue est facturée aux tarifs du modèle que vous appelez.

Pour connaître les tarifs des jetons, consultez Tarifs de Gemini Enterprise.

Bonnes pratiques concernant les prompts

  • Indiquez les caractéristiques permanentes dans la description de la voix : définissez l'âge, le genre, le timbre, la texture vocale et l'accent régional lorsque vous créez la voix, et non dans speech_metadata.style.
  • Utilisez speech_metadata.style pour l'émotion situationnelle : après avoir créé la voix, utilisez de courtes valeurs style, telles que "whispered urgently" ou "cheerful and energetic", pour diriger chaque tour sans changer l'identité de l'orateur.
  • Soyez précis et concis : une description claire d'une ou deux phrases, comme "Une speakerine sportive énergique et dynamique d'une trentaine d'années avec un léger accent du Midwest", produit des résultats plus cohérents qu'un paragraphe long ou contradictoire.

Étapes suivantes