API Gemini 3.8 Flash Lite TTS pour une synthèse vocale naturelle à grande échelle

Gemini 3.8 Flash Lite TTS est le modèle de synthèse vocale de Google conçu pour une production vocale efficace à grande échelle. Il génère un audio multilingue naturel avec des contrôles de voix et de style. PoYo fournit un accès API asynchrone avec 30 voix prédéfinies, une narration à un seul intervenant et un dialogue structuré à deux intervenants, ainsi qu'un Playground pour préparer les requêtes et récupérer l'audio terminé.

Le tarif est de 6 crédits, soit 0,03 $, par 1 000 caractères facturables. La facturation inclut le texte d'un seul intervenant ou tous les textes des tours, ainsi que les instructions de style globales et par tour. Les identifiants des intervenants et les noms des voix sont exclus. Les espaces, les nouvelles lignes et les balises vocales en ligne sont comptabilisés. Les frais sont proportionnels au nombre de caractères plutôt qu'arrondis à des blocs complets de 1 000.

PoYo prend en charge 30 voix prédéfinies Gemini, notamment Kore, Charon, Puck, Aoede et Zephyr. Les requêtes à un seul intervenant utilisent Kore par défaut lorsque la voix est omise. Pour le dialogue, attribuez une voix prise en charge à chacun des deux intervenants. Conservez les noms des voix inchangés ; les identifiants de voix personnalisés et la création de clones vocaux ne sont pas exposés dans cette intégration.

Gemini 3.8 Flash Lite TTS prend en charge 101 langues, notamment l’anglais, le chinois, le japonais, le coréen, l’espagnol et le français. La langue est détectée à partir du texte soumis, donc PoYo ne nécessite ni n’accepte de champ language_code pour ce modèle. Préparez le script dans la langue souhaitée et vérifiez la prononciation des noms ou des termes spécialisés dans l’audio finalisé.

Placez les instructions de diffusion prolongée dans style_instructions, séparément de la transcription. Par exemple, demandez une explication chaleureuse et claire ou un rythme de lecture mesuré. Dans un dialogue, vous pouvez fournir une direction globale et des instructions facultatives pour chaque tour. Les balises entre chevrons intégrées telles que <short pause> peuvent décrire des événements momentanés. Tout le texte et les instructions de style contribuent à la facturation.

Configurez les intervenants avec exactement deux valeurs speaker_id uniques, non vides, et des voix prises en charge. Ajoutez un ou plusieurs tours, chacun contenant un speaker_id correspondant et un texte non vide ; les instructions style_instructions par tour sont facultatives. Omettez le texte et la voix de niveau supérieur en mode dialogue. Les identifiants des intervenants sont comparés exactement et peuvent contenir des espaces ; ils ne sont pas inclus dans le décompte des caractères facturables.

Le backend PoYo actuel n’expose pas de paramètre output_format pour ce modèle. Récupérez le fichier audio fourni par la tâche terminée et conservez son format d’origine lors de son enregistrement. Le Playground fournit une lecture dans le navigateur et des téléchargements pour l’audio renvoyé. Le nom de fichier téléchargé suit le type MIME de la réponse ou l’URL du fichier plutôt que de supposer que chaque résultat est un MP3.

Cette intégration utilise la soumission de tâches asynchrones et des requêtes d’état. Soumettez une seule fois, enregistrez data.task_id et interrogez la tâche existante jusqu’à ce que son état soit finished ou failed ; vous pouvez également fournir callback_url en dehors de input. Les erreurs temporaires de requête d’état doivent être réessayées sans créer une autre tâche. Les points de terminaison de streaming et les fragments audio en temps réel ne sont pas exposés par cette intégration PoYo.