透明な価格設定。隠れた費用はありません。使った分だけ支払えます。
gemini-3.8-flash-tts| モデル | 仕様 | PoYo価格 | 公式価格 | 節約率 |
|---|---|---|---|---|
| gemini-3.8-flash-tts | Text and style instructions | $0.045 9 クレジット per 1000 characters | - | - |
* 実際の料金は最終出力に基づきます。
スタイル指示を使用して、ナレーションと対話の感情や話し方を制御
言葉を書き、話し方を指示し、その違いを体感してください。以下のクリップはGoogle公式モデルのデモンストレーションであり、PoYoが生成した例ではありません。
01
同じサービス応答でも、ためらいがち、謝罪的、または安心感のある印象に聞こえることがあります。Gemini 3.8 Flash TTSは自然言語による指示で話し方を制御し、トランスクリプト内に一時的な発声イベントを追加できます。公式デモでは、ためらいがちな問い合わせから安心感のある返答へ移行し、間やため息によって音声が日常会話により近づいています。
02
1つの話し方だけでは、シーン全体に適合することはほとんどありません。トランスクリプトと演技指示を分離し、グローバルまたは各ターンごとのstyle_instructionsを設定して、強調、緊急性、テンポを導きます。この公式脚本抜粋では、話し方や会話上の反応を変えることで、連続するセリフ全体に緊張感を構築する方法を示しています。
03
すべての発話行を手動で結合することなく、対話を構築できます。speakersでそれぞれ独自のプリセット音声を持つ2人の話者を正確に設定し、speaker_idの値を参照する順序付きturnsを送信します。公式の台本読み上げ抜粋では、異なる音声の個性、自然なターン交替、演じられた会話内の短い聞き手の反応を示しています。
ナレーションに明確な感情表現の方向性と個性的なキャラクターボイスを与えます。Gemini 3.8 Flash TTSを使用すると、オーディオブックチームは読み上げテキストと演技指示を分離し、制作ワークフロー全体でプリセット音声を再利用できます。
2人用の台本を、個別の音声と順序付けられたターンを持つ会話に変換します。Gemini 3.8 Flash TTSで各ホストの話し方を指示しながら、リクエスト内で対話構造を明確に維持できます。
プリセット音声を使用して、キャラクター同士のやり取り、反応、シーンのテンポを探索します。Gemini 3.8 Flash TTSは、会話をゲームのオーディオパイプラインに移行する前のテスト向けに、全体および各ターンごとの指示に対応しています。
音声レッスン、ロールプレイ演習、ナレーション付きトレーニング教材を作成します。Gemini 3.8 Flash TTSを使用して明瞭さとテンポを調整しながら、記述された教材を多言語リスニング体験向けに適応できます。
解説動画、製品動画、編集用スクリプトに適切なトーンを与えます。Gemini 3.8 Flash TTSは音声指示と言葉そのものを分離して保持するため、ナレーションの修正管理が容易になります。
生成されたナレーションやスクリプト化された会話を製品に追加します。PoYoの非同期タスクインターフェースを通じてGemini 3.8 Flash TTSを統合し、各生成が完了した際に音声を取得できます。
ワークロードに合わせてモデルを選択してください。Flashはクリエイティブなパフォーマンスに重点を置き、Flash-Liteは大規模な効率的なプロダクションに重点を置いています。以下のインターフェース機能はPoYoの現在のバックエンドを反映しており、モデルの位置付けと言語対応範囲はGoogleのドキュメントに準拠しています。
| 機能 | Gemini 3.8 Flash TTS | Gemini 3.8 Flash-Lite TTS |
|---|---|---|
| モデルの重点 | 音声の忠実度、演技のニュアンス、地域ごとの表現 | 効率的な大規模音声生成 |
| 対応言語 | 130 | 101 |
| PoYoのプリセットボイス | 30 | 30 |
| 単一話者および2話者入力 | 対応 | 対応 |
| グローバルおよびターンごとのstyle_instructions | 対応 | 対応済み |
| PoYo統合 | オプションのコールバックを使用した非同期タスク | オプションのコールバックを使用した非同期タスク |
| 一般的な用途 | オーディオブック、ナレーション、表現力豊かな対話 | 読み上げ機能と一括音声ワークフロー |
これは2つの異なるモデルを比較しています。PoYoのレイテンシベンチマークを示すものではありません。Googleのボイスデザイン、ボイスレプリケーション、拡張ボイスライブラリは、いずれのPoYoエンドポイントでも公開されていません。
ステップ1：登録してAPIキーを作成します。
PoYoにサインインし、アプリケーション用のキーを作成します。
APIキーを作成 →
ステップ2：クレジットを追加します。
残高をチャージし、モデルの料金表を確認します。トランスクリプトテキストとすべてのstyle_instructionsは使用量としてカウントされます。
クレジットを追加 →
ステップ3：スクリプトを送信します。model: gemini-3.8-flash-ttsを指定し、単一話者テキストまたは構造化されたspeakersとturnsをPOST /api/generate/submitに送信します。返されたtask_idをポーリングするか、callback_urlを指定して完了更新を受け取ります。
APIリファレンスを見る →
Gemini 3.8 Flash TTSは、表現力豊かなナレーションと対話のためのGoogleのクリエイティブなテキスト読み上げモデルです。PoYoは、30種類のプリセットボイス、個別のstyle instructions、構造化された2話者会話を使用した非同期APIアクセスを提供します。モデルID gemini-3.8-flash-ttsを使用してスクリプトを送信し、タスク完了後に生成された音声を取得します。
使用量は、上記の料金表のレートを使用して、課金対象文字数に比例して計算されます。トランスクリプトテキスト、グローバルなstyle_instructions、および各turnのテキストとstyle_instructionsが含まれます。スペース、改行、絵文字、vocal-eventタグはカウントされますが、speaker IDはカウントされません。リクエストは1,000文字単位のブロックに切り上げられません。
現在のPoYoエンドポイントは、Kore、Puck、Charon、Zephyrを含む30種類のプリセット音声をサポートしています。単一話者リクエストではデフォルトでKoreが使用されます。対話モードでは、2人の話者それぞれが同じプリセット一覧から1つを選択します。カスタム音声作成、音声複製、および拡張音声ライブラリは、このエンドポイントでは利用できません。
正確に2人の話者を指定し、それぞれに一意のspeaker_idとサポートされている音声を設定してください。その後、turnsにspeaker_idと空白でないtextを含む項目を少なくとも1つ指定します。必要に応じて各ターンにstyle_instructionsを追加します。対話リクエストでは、textとvoiceはトップレベルに指定しません。これらは単一話者モードに属するためです。
継続的な発話要件はglobalまたはターンごとのstyle_instructionsに記述し、textには発話する内容のみを含めてください。一時的な音声イベントは、<laugh>、<sigh>、または<short pause>などのタグを使用してトランスクリプトに追加できます。発話指示と発話内容は明確に分離してください。
GoogleはGemini 3.8 Flash TTSについて130言語、Flash-Lite TTSについて101言語をドキュメントで公開しています。言語はトランスクリプトから検出されるため、現在のPoYoエンドポイントではlanguage_codeセレクターを公開していません。サポートされているプリセットを選択し、必要な言語でスクリプトを記述してください。
送信するとtask_idが返されます。既存のstatusエンドポイントをクエリして、タスクがfinishedまたはfailedになるまで確認するか、オプションのcallback_urlを指定してください。完了したファイルはdata.filesで返されます。Playgroundでは、サポートされている音声を再生し、元のファイルをダウンロードできます。このPoYo統合は、音声ストリーミングではなく非同期タスクを使用します。
いいえ。これらはGoogle公式のGemini 3.8 Flash TTSデモンストレーションからの抜粋です。対応するモデルの機能を示すものであり、ソースはasset manifestに記録されています。PoYoで生成された例の出力は、個別の実際の生成と検証の後に追加されます。
PoYoの既存のキーと生成タスクインターフェースを使用して、他のサポート対象モデルと同様に音声機能を統合できます。一貫したrequest envelopeとtask-statusワークフローを利用できます。
モデルの文字単位の料金を確認し、送信前に使用量を見積もれます。文字起こしテキストとスタイル指示は、1,000文字単位のブロック丸めなしで、1つの文書化された計算方法を共有します。
Playgroundで単一話者のスクリプトと2話者の対話を試せます。フォーム入力とJSONを切り替えて、アプリケーションで使用する同じリクエストを確認できます。
タスクIDとステータスポーリングで生成状況を追跡するか、コールバックURLを指定できます。準備が完了したら生成済みオーディオファイルを取得し、生成処理をアプリケーションのリクエスト処理から分離できます。
