API Gemini 3.8 Flash Lite TTS para síntese de fala natural em escala

Gemini 3.8 Flash Lite TTS é o modelo de conversão de texto em fala do Google para a produção eficiente de grandes volumes de fala. Ele gera áudio multilíngue natural com controles de voz e estilo. O PoYo oferece acesso assíncrono à API com 30 vozes predefinidas, narração com um único locutor e diálogo estruturado com dois locutores, além de um Playground para preparar solicitações e obter os áudios concluídos.

A tarifa é de 6 créditos, ou $0.03, por 1,000 caracteres faturáveis. A cobrança inclui o texto de locutor único ou os textos de todos os turnos, além das instruções de estilo globais e por turno. Os IDs dos locutores e os nomes das vozes não são incluídos. Espaços, quebras de linha e tags vocais inline são contabilizados. As cobranças são proporcionais à quantidade de caracteres, em vez de serem arredondadas para blocos completos de 1,000.

O PoYo oferece suporte a 30 vozes predefinidas do Gemini, incluindo Kore, Charon, Puck, Aoede e Zephyr. Solicitações com um único locutor usam Kore como padrão quando a voz é omitida. Para diálogos, atribua uma voz compatível a cada um dos dois locutores. Mantenha os nomes das vozes inalterados; IDs de voz personalizados e criação de clonagem de voz não são expostos nesta integração.

O Gemini 3.8 Flash Lite TTS é compatível com 101 idiomas, incluindo inglês, chinês, japonês, coreano, espanhol e francês. O idioma é detectado a partir do texto enviado, portanto o PoYo não exige nem aceita um campo language_code para este modelo. Prepare o roteiro no idioma desejado e revise a pronúncia de nomes ou termos especializados no áudio concluído.

Coloque instruções de entrega contínua em style_instructions, separadas da transcrição. Por exemplo, peça uma explicação calorosa e clara ou um ritmo de leitura moderado. Em diálogos, você pode fornecer uma orientação global e instruções opcionais para cada turno. Tags inline entre sinais de menor e maior, como <short pause>, podem descrever eventos momentâneos. Todo o texto e as instruções de estilo contribuem para a cobrança.

Configure os locutores com exatamente dois valores speaker_id únicos, não vazios e com vozes compatíveis. Adicione um ou mais turnos, cada um contendo um speaker_id correspondente e texto não vazio; style_instructions por turno são opcionais. Omita text e voice de nível superior no modo de diálogo. Os IDs dos locutores são correspondidos exatamente e podem conter espaços; eles não são incluídos na contagem de caracteres faturáveis.

O backend atual do PoYo não expõe um parâmetro output_format para este modelo. Recupere o arquivo de áudio fornecido pela tarefa concluída e preserve seu formato original ao salvá-lo. O Playground oferece reprodução no navegador e downloads para o áudio retornado. O nome do arquivo de download segue o tipo MIME da resposta ou a URL do arquivo, em vez de assumir que todo resultado é MP3.

Esta integração usa envio assíncrono de tarefas e consultas de status. Envie uma vez, salve data.task_id e consulte a tarefa existente até que seu status seja finished ou failed; você também pode fornecer callback_url fora de input. Erros temporários de consulta de status devem ser tentados novamente sem criar outra tarefa. Endpoints de streaming e blocos de áudio em tempo real não são expostos por esta integração do PoYo.