大規模な自然音声合成を実現するGemini 3.8 Flash Lite TTS API

Gemini 3.8 Flash Lite TTSは、効率的で大量の音声生成に対応するGoogleのテキスト読み上げモデルです。音声とスタイル制御機能を備えた自然な多言語音声を生成します。PoYoは、非同期APIアクセス、30種類のプリセット音声、単一話者ナレーションおよび構造化された2人話者対話に対応し、リクエストの準備と完成した音声の取得を行うためのPlaygroundも提供します。

料金は、課金対象文字1,000文字あたり6クレジット、または$0.03です。課金には、単一話者テキストまたはすべてのターンテキストに加えて、グローバルおよび各ターンごとのスタイル指示が含まれます。話者IDと音声名は除外されます。スペース、改行、インライン音声タグはカウントされます。料金は1,000文字単位の完全なブロックに切り上げるのではなく、文字数に比例して計算されます。

PoYoは、Kore、Charon、Puck、Aoede、Zephyrを含む30種類のGeminiプリセット音声に対応しています。単一話者リクエストでは、音声が省略された場合、デフォルトでKoreが使用されます。対話の場合は、2人の話者それぞれに対応する音声を割り当ててください。音声名は変更せず、カスタム音声IDおよび音声クローン作成はこの統合では公開されていません。

Gemini 3.8 Flash Lite TTSは、英語、中国語、日本語、韓国語、スペイン語、フランス語を含む101言語に対応しています。言語は送信されたテキストから検出されるため、PoYoではこのモデルに対してlanguage_codeフィールドの指定は不要であり、受け付けてもいません。希望する言語でスクリプトを準備し、完成した音声内で名前や専門用語の発音を確認してください。

継続的な読み上げ指示は、トランスクリプトとは分けてstyle_instructionsに入力してください。例えば、温かみのある明確な説明や、一定のペースでの読み上げを指定できます。対話では、全体的な指示と各turnごとのオプション指示を指定できます。<short pause>のようなインラインの山括弧タグは、一時的なイベントを表現できます。すべてのテキストとスタイル指示は課金対象に含まれます。

話者は、正確に2つの一意で空白ではないspeaker_id値と対応する音声を使用して設定してください。1つ以上のturnを追加し、それぞれに一致するspeaker_idと空白ではないtextを含めます。各turnのstyle_instructionsは任意です。対話モードでは、トップレベルのtextとvoiceは省略してください。Speaker IDは完全一致で照合され、スペースを含めることができます。また、課金対象の文字数には含まれません。

現在のPoYoバックエンドでは、このモデルのoutput_formatパラメータは公開されていません。完了したタスクで提供された音声ファイルを取得し、保存時には元の形式を維持してください。Playgroundでは、返された音声のブラウザ再生とダウンロードを提供しています。ダウンロードファイル名は、すべての結果がMP3であると想定するのではなく、レスポンスのMIMEタイプまたはファイルURLに従います。

この統合では、非同期タスク送信とステータスクエリを使用します。1回送信した後、data.task_idを保存し、ステータスがfinishedまたはfailedになるまで既存のタスクを照会してください。inputの外側でcallback_urlを指定することもできます。一時的なステータスクエリエラーは、別のタスクを作成せずに再試行してください。ストリーミングエンドポイントおよびリアルタイム音声チャンクは、このPoYo統合では公開されていません。