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

O Gemini 3.8 Flash Lite TTS é o modelo de texto para voz da Google para produção de voz eficiente e de grande volume. Gera áudio multilingue natural com controlos de voz e de estilo. O PoYo oferece acesso assíncrono à API com 30 vozes predefinidas, narração de uma só voz e diálogo estruturado entre duas vozes, além de um Playground para preparar pedidos e obter o áudio concluído.

A tarifa é de 6 créditos, ou $0.03, por cada 1000 carateres faturáveis. A faturação inclui o texto de uma só voz ou os textos de todos os turnos, bem como as instruções de estilo globais e por turno. Os IDs de interlocutor e os nomes das vozes ficam de fora. Os espaços, as quebras de linha e as etiquetas vocais em linha contam. A cobrança é proporcional ao número de carateres, sem arredondamento para blocos completos de 1000.

O PoYo suporta 30 vozes predefinidas do Gemini, incluindo Kore, Charon, Puck, Aoede e Zephyr. Nos pedidos de uma só voz, se omitires voice, é usada a Kore por predefinição. Num diálogo, atribui uma voz suportada a cada um dos dois interlocutores. Mantém os nomes das vozes inalterados; os IDs de voz personalizados e a criação de clones de voz não estão disponíveis nesta integração.

O Gemini 3.8 Flash Lite TTS suporta 101 idiomas, incluindo inglês, chinês, japonês, coreano, espanhol e francês. O idioma é detetado a partir do texto submetido, pelo que o PoYo não exige nem aceita um campo language_code para este modelo. Prepara o guião no idioma pretendido e revê, no áudio concluído, a pronúncia de nomes ou termos especializados.

Coloca as instruções de locução que devem manter-se ao longo do texto em style_instructions, separadas da transcrição. Por exemplo, pede uma explicação calorosa e clara ou um ritmo de leitura pausado. Num diálogo, podes indicar uma direção global e instruções opcionais para cada turno. As etiquetas em linha entre sinais de menor e maior, como <short pause>, podem descrever acontecimentos pontuais. Todo o texto e todas as instruções de estilo contam para a faturação.

Configura speakers com exatamente dois valores de speaker_id únicos e não vazios e com vozes suportadas. Adiciona um ou mais turnos, cada um com um speaker_id correspondente e texto não vazio; as style_instructions por turno são opcionais. No modo de diálogo, omite o text e a voice de nível superior. Os IDs de interlocutor são comparados de forma exata e podem conter espaços; não entram na contagem de carateres faturáveis.

O backend atual do PoYo não expõe um parâmetro output_format para este modelo. Obtém o ficheiro de áudio fornecido pela tarefa concluída e mantém o formato original ao guardá-lo. O Playground permite a reprodução no navegador e a transferência do áudio devolvido. O nome do ficheiro transferido segue o tipo MIME da resposta ou o URL do ficheiro, em vez de partir do princípio de que todos os resultados são MP3.

Esta integração utiliza a submissão assíncrona de tarefas e consultas de estado. Submete uma só vez, guarda data.task_id e consulta a tarefa existente até o estado ser finished ou failed; também podes indicar callback_url fora de input. Os erros temporários na consulta de estado devem ser repetidos sem criar outra tarefa. Os endpoints de streaming e os blocos de áudio em tempo real não estão disponíveis nesta integração do PoYo.