API Gemini 3.8 Flash TTS para conversão de texto em fala expressiva

Gemini 3.8 Flash TTS é o modelo criativo de conversão de texto em fala do Google para narração expressiva e diálogo. O PoYo fornece acesso assíncrono à API usando 30 vozes predefinidas, instruções de estilo separadas e conversas estruturadas com dois speakers. Envie seu roteiro com o ID do modelo gemini-3.8-flash-tts e recupere o áudio gerado quando a tarefa for concluída.

O uso é proporcional aos caracteres faturáveis, usando a taxa da tabela de preços acima. Inclui o texto da transcrição, style_instructions global e o texto e style_instructions de cada turn. Espaços, novas linhas, emoji e tags de eventos vocais contam; IDs de speaker não contam. As solicitações não são arredondadas para blocos de 1.000 caracteres.

O endpoint PoYo atual oferece suporte a 30 vozes predefinidas, incluindo Kore, Puck, Charon e Zephyr. As solicitações de um único locutor usam Kore como padrão. Cada um dos dois locutores no modo de diálogo seleciona uma dessas mesmas predefinições. A criação de voz personalizada, a replicação de voz e a biblioteca de vozes estendida não estão disponíveis por meio deste endpoint.

Forneça exatamente dois locutores, cada um com um speaker_id exclusivo e uma voz compatível. Em seguida, forneça pelo menos um item em turns com speaker_id e texto não vazio. Adicione style_instructions por turno quando necessário. As solicitações de diálogo omitem text e voice no nível superior, pois esses campos pertencem ao modo de um único locutor.

Mantenha os requisitos de entrega contínua em global ou em style_instructions por turno, enquanto text contém apenas o conteúdo a ser falado. Eventos vocais momentâneos podem ser adicionados na transcrição usando tags como <laugh>, <sigh> ou <short pause>, mantendo as instruções de entrega e o conteúdo falado claramente separados.

O Google documenta 130 idiomas para Gemini 3.8 Flash TTS, em comparação com 101 para Flash-Lite TTS. O idioma é detectado a partir da transcrição, portanto o endpoint PoYo atual não expõe um seletor language_code. Escolha uma predefinição compatível e escreva o roteiro no idioma necessário.

O envio retorna um task_id. Consulte o endpoint de status existente até que a tarefa esteja finished ou failed, ou forneça um callback_url opcional. Os arquivos concluídos são retornados em data.files. O Playground permite reproduzir áudios compatíveis e baixar o arquivo original. Esta integração do PoYo usa tarefas assíncronas em vez de streaming de áudio.

Não. Eles são trechos das demonstrações oficiais do Gemini 3.8 Flash TTS do Google. Eles ilustram os recursos correspondentes do modelo e suas fontes são registradas no manifesto de recursos. Exemplos de saída gerados pelo PoYo serão adicionados após geração real separada e verificação.