API Gemini 3.8 Flash Lite TTS per sintesi vocale naturale su larga scala

Gemini 3.8 Flash Lite TTS è il modello text-to-speech di Google per una produzione vocale efficiente e ad alto volume. Genera audio multilingue naturale con controlli su voce e stile. PoYo fornisce accesso API asincrono con 30 voci preimpostate, narrazione a singolo interlocutore e dialogo strutturato a due interlocutori, oltre a un Playground per preparare le richieste e recuperare l'audio completato.

La tariffa è di 6 crediti, ovvero $0.03, per 1,000 caratteri fatturabili. La fatturazione include il testo di un singolo interlocutore o tutti i testi dei turni, oltre alle istruzioni di stile globali e per turno. Gli ID degli interlocutori e i nomi delle voci sono esclusi. Spazi, nuove righe e tag vocali inline vengono conteggiati. Gli addebiti sono proporzionali al numero di caratteri anziché arrotondati a blocchi completi di 1,000.

PoYo supporta 30 voci preimpostate Gemini, tra cui Kore, Charon, Puck, Aoede e Zephyr. Le richieste con un singolo interlocutore utilizzano Kore come impostazione predefinita quando la voce non è specificata. Per i dialoghi, assegna una voce supportata a ciascuno dei due interlocutori. Mantieni invariati i nomi delle voci; gli ID voce personalizzati e la creazione di cloni vocali non sono esposti in questa integrazione.

Gemini 3.8 Flash Lite TTS supporta 101 lingue, tra cui inglese, cinese, giapponese, coreano, spagnolo e francese. La lingua viene rilevata dal testo inviato, quindi PoYo non richiede né accetta un campo language_code per questo modello. Prepara lo script nella lingua desiderata e verifica la pronuncia di nomi o termini specializzati nell’audio completato.

Inserisci le istruzioni di resa prolungata in style_instructions, separate dalla trascrizione. Ad esempio, richiedi una spiegazione calda e chiara oppure un ritmo di lettura misurato. Nei dialoghi, puoi fornire indicazioni globali e istruzioni opzionali per ogni turno. I tag inline tra parentesi angolari come <short pause> possono descrivere eventi momentanei. Tutti i testi e le istruzioni di stile contribuiscono alla fatturazione.

Configura gli interlocutori con esattamente due valori speaker_id univoci, non vuoti e con voci supportate. Aggiungi uno o più turni, ciascuno contenente uno speaker_id corrispondente e testo non vuoto; le style_instructions per turno sono opzionali. Ometti text e voice di livello superiore nella modalità dialogo. Gli ID degli interlocutori vengono confrontati esattamente e possono contenere spazi; non vengono inclusi nel conteggio dei caratteri fatturabili.

L’attuale backend PoYo non espone un parametro output_format per questo modello. Recupera il file audio fornito dall’attività completata e mantieni il formato originale quando lo salvi. Il Playground offre la riproduzione nel browser e i download per l’audio restituito. Il nome file del download segue il tipo MIME della risposta o l’URL del file invece di presumere che ogni risultato sia MP3.

Questa integrazione utilizza l’invio asincrono delle attività e le query di stato. Invia una sola volta, salva data.task_id e interroga l’attività esistente finché il suo stato non è finished o failed; puoi anche fornire callback_url al di fuori dell’input. Gli errori temporanei nelle query di stato devono essere ritentati senza creare un’altra attività. Gli endpoint di streaming e i blocchi audio in tempo reale non sono esposti da questa integrazione PoYo.