API de Gemini 3.8 Flash Lite TTS para síntesis de voz natural a gran escala

Gemini 3.8 Flash Lite TTS es el modelo de texto a voz de Google para una producción de voz eficiente y de alto volumen. Genera audio multilingüe natural con controles de voz y estilo. PoYo proporciona acceso asíncrono a la API con 30 voces preestablecidas, narración de un solo hablante y diálogo estructurado de dos hablantes, además de un Playground para preparar solicitudes y recuperar audio completado.

La tarifa es de 6 créditos, o $0.03, por cada 1,000 caracteres facturables. La facturación incluye texto de un solo hablante o todos los textos de los turnos, además de instrucciones de estilo globales y por turno. Los ID de hablante y los nombres de voz están excluidos. Los espacios, saltos de línea y etiquetas vocales en línea cuentan. Los cargos son proporcionales al número de caracteres en lugar de redondearse a bloques completos de 1,000.

PoYo admite 30 voces preestablecidas de Gemini, incluidas Kore, Charon, Puck, Aoede y Zephyr. Las solicitudes de un solo hablante usan Kore de forma predeterminada cuando se omite la voz. Para el diálogo, asigna una voz compatible a cada uno de los dos hablantes. Mantén los nombres de las voces sin cambios; los IDs de voz personalizados y la creación de clones de voz no están expuestos en esta integración.

Gemini 3.8 Flash Lite TTS admite 101 idiomas, incluidos inglés, chino, japonés, coreano, español y francés. El idioma se detecta a partir del texto enviado, por lo que PoYo no requiere ni acepta un campo language_code para este modelo. Prepara el guion en el idioma deseado y revisa la pronunciación de nombres o términos especializados en el audio completado.

Coloca las instrucciones de entrega sostenida en style_instructions, separadas de la transcripción. Por ejemplo, solicita una explicación cálida y clara o un ritmo de lectura medido. En el diálogo, puedes proporcionar una dirección global e instrucciones opcionales para cada turno. Las etiquetas de ángulo integradas como <short pause> pueden describir eventos momentáneos. Todo el texto y las instrucciones de estilo contribuyen al cálculo de facturación.

Configura los hablantes con exactamente dos valores speaker_id únicos, no vacíos y con voces compatibles. Añade uno o más turnos, cada uno con un speaker_id coincidente y texto no vacío; las instrucciones style_instructions por turno son opcionales. Omite text y voice de nivel superior en el modo de diálogo. Los IDs de hablante coinciden exactamente y pueden contener espacios; no se incluyen en el recuento de caracteres facturables.

El backend actual de PoYo no expone un parámetro output_format para este modelo. Recupera el archivo de audio proporcionado por la tarea completada y conserva su formato original al guardarlo. El Playground ofrece reproducción en navegador y descargas para el audio devuelto. El nombre de archivo de descarga sigue el tipo MIME de respuesta o la URL del archivo en lugar de asumir que cada resultado es MP3.

Esta integración utiliza el envío de tareas asíncronas y consultas de estado. Envía una vez, guarda data.task_id y consulta la tarea existente hasta que su estado sea finished o failed; también puedes proporcionar callback_url fuera de input. Los errores temporales de consulta de estado deben reintentarse sin crear otra tarea. Los endpoints de streaming y los fragmentos de audio en tiempo real no están expuestos por esta integración de PoYo.