gemini-3.8-flash-tts

Text to Speech

Gemini 3.8 Flash TTS łączy wskazówki w języku naturalnym z ekspresyjną mową, dzięki czemu kształtujesz emocje, tempo i sposób wypowiedzenia każdej kwestii. Na PoYo wybierasz spośród 30 gotowych głosów i tworzysz narrację lub rozmowy dwóch rozmówców w 130 językach, nadając większą rozpiętość głosową historiom audio, lekcjom i dialogom postaci.

Pobierz klucz API

Dokumentacja API

Input

Text

Voice

Speakers

Speaker Id

Voice

Speaker Id

Voice

Turns

Turn 1

Speaker Id

Text

Style Instructions

Turn 2

Speaker Id

Text

Style Instructions

Enable Safety Checker

Safety checks are always enabled in the playground and cannot be disabled.

Billable characters: 265. Includes transcript and all style_instructions. Spaces, newlines and vocal-event tags count; speaker IDs do not.

Output

Przykładowy wynik

To przykładowe dane. Wygeneruj nowy wynik, aby zobaczyć prawdziwy rezultat.

ID zadania:example-gemini-3-8-flash-tts-defaultUtworzono:2026-10-14T11:11:41

Status:finishedPostęp:100%

Examples

Szczegóły cennika

Płatność za użycie. Bez subskrypcji i ukrytych opłat.

1 kredyt = $0.005

Poziom	Cena PoYo
Tekst + instrukcje stylu	$0.045/1 tys. znaków Kredyty: 9/1 tys. znaków Znaki (10,000): $0.450

Jak jest rozliczane: Rozliczane za każde 1000 znaków tekstu wejściowego.

Opłaty zależą od końcowego wyniku.

GEMINI 3.8 FLASH TTS

Steruj emocjami i interpretacją narracji oraz dialogów za pomocą instrukcji stylu

API Gemini 3.8 Flash TTS dla ekspresyjnej zamiany tekstu na mowę

Dopasuj sposób czytania do skryptu — od ciepłej narracji po ekspresyjne dialogi postaci. Z Gemini 3.8 Flash TTS na PoYo wybierasz gotowe głosy i w języku naturalnym kierujesz emocjami, tempem oraz interpretacją każdej kwestii, tworząc bardziej złożone, wielojęzyczne treści głosowe.

Pobierz klucz API

Kluczowe funkcje API Gemini 3.8 Flash TTS

Napisz słowa, wyreżyseruj interpretację i usłysz różnicę. Poniższe nagrania to oficjalne dema modelu od Google, a nie przykłady wygenerowane na PoYo.

Naturalne emocje zamiast płaskiego czytania

Ta sama odpowiedź obsługi klienta może brzmieć niepewnie, przepraszająco albo uspokajająco. Gemini 3.8 Flash TTS steruje interpretacją za pomocą instrukcji w języku naturalnym i pozwala dodawać do transkryptu chwilowe zdarzenia głosowe. Oficjalne demo przechodzi od niepewnego pytania do uspokajającej odpowiedzi, a pauzy i westchnienia sprawiają, że głos brzmi bliżej codziennej rozmowy.

Stałe emocje i tempo zapisuj w style_instructions
Używaj zdarzeń w tekście, takich jak <sigh> i <short pause>
Wybieraj spośród 30 gotowych głosów dostępnych na PoYo

Reżyseruj wykonanie linijka po linijce

Jeden styl czytania rzadko pasuje do całej sceny. Trzymaj transkrypt osobno od wskazówek aktorskich, a potem ustaw globalne style_instructions lub przypisane do kwestii, aby kierować akcentem, pilnością i tempem. Ten oficjalny fragment scenariusza pokazuje, jak zmiana interpretacji i reakcji w rozmowie może budować napięcie w kolejnych linijkach.

Oddziel czytany tekst od instrukcji interpretacji
Ustaw wspólny styl albo steruj pojedynczymi kwestiami
Zachowaj pauzy i reakcje tam, gdzie wymaga tego skrypt

Dwa wyraźnie różne głosy w jednej rozmowie

Zbuduj dialog bez ręcznego sklejania każdej wypowiedzi. Skonfiguruj dokładnie dwóch rozmówców w speakers, każdego z własnym gotowym głosem, a potem prześlij uporządkowane kwestie odwołujące się do ich wartości speaker_id. Oficjalny fragment czytania scenariusza pokazuje wyraźne tożsamości głosowe, naturalne przejmowanie głosu i krótkie reakcje słuchacza w odegranej rozmowie.

Skonfiguruj dwa głosy w speakers
Ułóż rozmowę z uporządkowanych kwestii (turns)
Dodaj opcjonalne style_instructions do każdej kwestii

Dla kogo jest API Gemini 3.8 Flash TTS?

Producenci audiobooków

Nadaj narracji wyraźny kierunek emocjonalny i odrębne głosy postaci. Gemini 3.8 Flash TTS pozwala zespołom tworzącym audiobooki oddzielić czytany tekst od wskazówek wykonawczych, a potem używać tych samych gotowych głosów w całym procesie produkcji.

Zespoły podcastowe

Zamień scenariusz dla dwóch osób w rozmowę z osobnymi głosami i uporządkowanymi kwestiami. Kieruj interpretacją każdego prowadzącego dzięki Gemini 3.8 Flash TTS, zachowując jawną strukturę dialogu w żądaniu.

Autorzy dialogów do gier

Sprawdzaj interakcje postaci, reakcje i tempo scen za pomocą gotowych głosów. Gemini 3.8 Flash TTS obsługuje wskazówki globalne i przypisane do kwestii, więc możesz przetestować dialog, zanim trafi do pipeline audio gry.

Zespoły edukacyjne i szkoleniowe

Twórz mówione lekcje, ćwiczenia z odgrywaniem ról i narracyjne materiały szkoleniowe. Używaj Gemini 3.8 Flash TTS, aby kierować wyrazistością i tempem, a materiały pisane dostosowywać do wielojęzycznego słuchania.

Twórcy wideo i lektorów

Nadaj filmom objaśniającym, wideo produktowym i skryptom redakcyjnym odpowiedni ton. Gemini 3.8 Flash TTS trzyma instrukcje interpretacji osobno od słów, więc poprawki lektora łatwiej kontrolować.

Programiści aplikacji głosowych

Dodaj do swojego produktu generowaną narrację lub scenariuszowe rozmowy. Zintegruj Gemini 3.8 Flash TTS przez asynchroniczny interfejs zadań PoYo i pobieraj audio po zakończeniu każdego generowania.

Gemini 3.8 Flash TTS vs Flash-Lite TTS

Wybierz model do swojego zastosowania. Flash stawia na kreatywne wykonanie, a Flash-Lite na wydajną produkcję w dużej skali. Poniższe możliwości interfejsu odzwierciedlają obecny backend PoYo, a pozycjonowanie modeli i zakres języków wynikają z dokumentacji Google.

Możliwość	Gemini 3.8 Flash TTS	Gemini 3.8 Flash-Lite TTS
Główne zastosowanie modelu	Wierność głosu, niuanse aktorskie i regionalna ekspresja	Wydajna produkcja mowy w dużej liczbie
Obsługiwane języki	130	101
Gotowe głosy na PoYo	30	30
Wejście dla jednego i dwóch rozmówców	Obsługiwane	Obsługiwane
Globalne i przypisane do kwestii style_instructions	Obsługiwane	Obsługiwane
Integracja z PoYo	Zadania asynchroniczne z opcjonalnymi callbackami	Zadania asynchroniczne z opcjonalnymi callbackami
Typowe zastosowanie	Audiobooki, narracja i ekspresyjny dialog	Funkcje czytania na głos i masowe workflow mowy

To porównanie dwóch różnych modeli. Nie sugeruje żadnego benchmarku opóźnień PoYo. Projektowanie głosu, replikacja głosu i rozszerzona biblioteka głosów Google nie są dostępne w żadnym z tych endpointów PoYo.

Jak korzystać z API Gemini 3.8 Flash TTS na PoYo

Krok 1: zarejestruj się i utwórz klucz API.
Zaloguj się do PoYo i utwórz klucz dla swojej aplikacji.
Utwórz klucz API →

Krok 2: doładuj kredyty.
Doładuj saldo i sprawdź tabelę cen modelu. Do zużycia wliczają się tekst transkryptu i wszystkie style_instructions.
Doładuj kredyty →

Krok 3: wyślij skrypt.
Wyślij model: gemini-3.8-flash-tts wraz z tekstem dla jednego lektora albo ustrukturyzowanymi speakers i turns na POST /api/generate/submit. Odpytuj zwrócone task_id lub podaj callback_url, aby otrzymywać informacje o zakończeniu.
Zobacz dokumentację API →

Najczęstsze pytania o API Gemini 3.8 Flash TTS

Czym jest API Gemini 3.8 Flash TTS?

Gemini 3.8 Flash TTS to kreatywny model zamiany tekstu na mowę od Google, przeznaczony do ekspresyjnej narracji i dialogów. PoYo zapewnia asynchroniczny dostęp przez API z 30 gotowymi głosami, osobnymi instrukcjami stylu i ustrukturyzowanymi rozmowami dwóch rozmówców. Prześlij skrypt z ID modelu gemini-3.8-flash-tts i pobierz wygenerowane audio po zakończeniu zadania.

Jak liczone jest zużycie na PoYo?

Zużycie jest proporcjonalne do liczby znaków podlegających rozliczeniu, według stawki z powyższej tabeli cen. Obejmuje tekst transkryptu, globalne style_instructions oraz tekst i style_instructions każdej kwestii. Spacje, znaki nowej linii, emoji i tagi zdarzeń głosowych się liczą; identyfikatory rozmówców nie. Żądania nie są zaokrąglane w górę do bloków po 1000 znaków.

Jakich głosów mogę używać?

Obecny endpoint PoYo obsługuje 30 gotowych głosów, w tym Kore, Puck, Charon i Zephyr. Żądania z jednym lektorem domyślnie używają głosu Kore. Każdy z dwóch rozmówców w trybie dialogu wybiera jeden z tych samych gotowych głosów. Tworzenie własnych głosów, replikacja głosu i rozszerzona biblioteka głosów nie są dostępne w tym endpoincie.

Jak utworzyć rozmowę dwóch rozmówców?

Podaj dokładnie dwóch rozmówców, każdego z unikalnym speaker_id i obsługiwanym głosem. Następnie dodaj w turns co najmniej jedną pozycję z speaker_id i niepustym tekstem. W razie potrzeby dodaj style_instructions dla kwestii. W żądaniach dialogowych pomiń główne pola text i voice, ponieważ należą do trybu z jednym lektorem.

Gdzie umieścić instrukcje dotyczące emocji i aktorstwa?

Stałe wymagania dotyczące interpretacji zapisuj w globalnych lub przypisanych do kwestii style_instructions, a w text umieszczaj tylko treść do wypowiedzenia. Chwilowe zdarzenia głosowe możesz dodawać w transkrypcie za pomocą tagów, takich jak <laugh>, <sigh> czy <short pause> — dzięki temu instrukcje interpretacji i czytana treść pozostają wyraźnie oddzielone.

Ile języków jest obsługiwanych?

Google podaje 130 języków dla Gemini 3.8 Flash TTS, w porównaniu ze 101 dla Flash-Lite TTS. Język jest wykrywany na podstawie transkryptu, więc obecny endpoint PoYo nie udostępnia wyboru language_code. Wybierz obsługiwany gotowy głos i napisz skrypt w potrzebnym języku.

Jak odebrać wygenerowane audio?

Wysłanie żądania zwraca task_id. Odpytuj istniejący endpoint statusu, aż zadanie zmieni status na finished lub failed, albo podaj opcjonalny callback_url. Gotowe pliki są zwracane w data.files. W narzędziu Playground możesz odtworzyć obsługiwane audio i pobrać oryginalny plik. Ta integracja PoYo korzysta z zadań asynchronicznych, a nie ze streamingu audio.

Czy nagrania przy funkcjach zostały wygenerowane na PoYo?

Nie. To fragmenty oficjalnych dem Gemini 3.8 Flash TTS od Google. Ilustrują odpowiadające im możliwości modelu, a ich źródła są zapisane w pliku asset manifest. Przykładowe wyniki wygenerowane na PoYo zostaną dodane po osobnym, prawdziwym generowaniu i weryfikacji.

Dlaczego warto korzystać z API Gemini 3.8 Flash TTS przez PoYo

Jedno znajome API

Używaj istniejącego klucza PoYo i interfejsu zadań generowania, aby zintegrować mowę z innymi obsługiwanymi modelami — ze spójną strukturą żądań i tym samym workflow statusu zadań.

Zużycie, które możesz sprawdzić

Zobacz stawkę modelu opartą na znakach i oszacuj zużycie przed wysłaniem. Tekst transkryptu i wskazówki stylu podlegają jednemu udokumentowanemu rachunkowi, bez zaokrąglania do bloków po 1000 znaków.

Przetestuj przed integracją

Wypróbuj skrypty dla jednego lektora i dialogi dwóch rozmówców w narzędziu Playground. Przełączaj się między formularzem a JSON, aby zobaczyć to samo żądanie, którego użyjesz w aplikacji.

Dopasuj do workflow swojej aplikacji

Śledź generowanie za pomocą ID zadań i odpytywania o status albo podaj adres URL callbacku. Pobieraj gotowe pliki audio, gdy będą dostępne, i trzymaj generowanie osobno od obsługi żądań w swojej aplikacji.