Google: Gemini 3.1 Flash TTS Preview

Описание

Gemini 3.1 Flash TTS Preview — это модель преобразования текста в речь от Google, представляющая собой существенный скачок по сравнению с Gemini 2.5 Flash TTS. Она принимает текстовый ввод и генерирует аудиовывод на более чем 70 языках, что почти в 3 раза больше, чем у ее предшественника. Главным нововведением является система из более чем 200 встроенных аудиотегов (например, `[whispers]`, `[laughs]`, `[excited]`), которые позволяют разработчикам управлять подачей, эмоциями и темпом речи в середине предложения, наряду с рабочим процессом "режиссерского кресла" в Google AI Studio для определения аудиопрофилей для каждого персонажа и контекста на уровне сцены. Она поддерживает до двух дикторов с независимой настройкой голоса и стиля для каждого диктора, выводит PCM-аудио с параметрами 24 кГц / 16 бит в монорежиме и автоматически проставляет водяные знаки SynthID на весь вывод. Размер контекстного окна составляет 32 тысячи токенов.

Характеристики

API и примеры кода

from openai import OpenAI

client = OpenAI(
    base_url="https://infergate.ru/api/v1",
    api_key="sk-•••",
)

resp = client.audio.speech.create(
    model="google/gemini-3.1-flash-tts-preview",
    input="Привет! Это синтез речи.",
    voice="alloy",
    response_format="mp3",
)
resp.write_to_file("speech.mp3")

Поддерживаемые параметры запроса