🔥 Black Friday AI API deals are live· New drops every MondayEnds in--d --:--:--See deals →

Gemini 3.8 Flash Lite TTS: AI صداموسیقی

گفتار چندگوینده‌ای با تأخیر کم و توان عملیاتی بالا با Gemini 3.8 Flash Lite TTS. امتحان رایگان، پرداخت به‌ازای هر بار استفاده و بدون اشتراک. Gemini 3.8 Flash Lite TTS مدل تبدیل متن به گفتار گوگل با توان عملیاتی بالا، تأخیر کم و هزینه مناسب است که برای گفتار مکالمه‌ای در مقیاس گسترده بهینه شده است. تعداد دلخواهی گوینده تعریف کنید که هرکدام صدا، لهجه، سبک احساسی و سرعت متمایزی داشته باشند؛ سپس گفت‌وگویی با نوبت‌های مرتب دیالوگ و برچسب‌های لحن درون‌متنی مانند [whispers] یا [shouting] بنویسید. این مدل برای گویندگی‌های پرحجم، عامل‌های مکالمه‌ای بلادرنگ و روایت مقرون‌به‌صرفه‌ای مناسب است که سرعت و هزینه در آن اهمیت زیادی دارد. برای کیفیت صدای بالاتر، Gemini 3.8 Flash TTS را ببینید؛ برای خروجی ممتاز با کیفیت استودیویی، Gemini 2.5 Pro TTS را بررسی کنید.

کنترل‌های تعاملی مدل

گفتار چندگوینده‌ای با تأخیر کم و توان عملیاتی بالا با Gemini 3.8 Flash Lite TTS. امتحان رایگان، پرداخت به‌ازای هر بار استفاده و بدون اشتراک.

📝

نمای کلی

مدل‌ها

Gemini 3.8 Flash Lite TTS مدل تبدیل متن به گفتار گوگل با توان عملیاتی بالا، تأخیر کم و هزینه مناسب است که برای گفتار مکالمه‌ای در مقیاس گسترده بهینه شده است. تعداد دلخواهی گوینده تعریف کنید که هرکدام صدا، لهجه، سبک احساسی و سرعت متمایزی داشته باشند؛ سپس گفت‌وگویی با نوبت‌های مرتب دیالوگ و برچسب‌های لحن درون‌متنی مانند [whispers] یا [shouting] بنویسید. این مدل برای گویندگی‌های پرحجم، عامل‌های مکالمه‌ای بلادرنگ و روایت مقرون‌به‌صرفه‌ای مناسب است که سرعت و هزینه در آن اهمیت زیادی دارد. برای کیفیت صدای بالاتر، Gemini 3.8 Flash TTS را ببینید؛ برای خروجی ممتاز با کیفیت استودیویی، Gemini 2.5 Pro TTS را بررسی کنید.

1هوش مصنوعی مکالمه‌ای: عامل‌های صوتی بلادرنگ و سامانه‌های IVR را با گفتار چندگوینده‌ای کم‌تأخیر راه‌اندازی کنید.
2تولید پرحجم: دسته‌های بزرگ گویندگی و دیالوگ شخصیت‌ها را با کمترین هزینه به‌ازای هر خط تولید کنید.
3پادکست: از روی متن نوشته‌شده، صدای مکالمه‌ای با چند مجری بسازید.
4نمونه‌سازی: پیش از خروجی نهایی با وفاداری بالا، لحن، لهجه و سرعت را سریع تنظیم کنید.
💰

قیمت‌گذاری و ارزش

تحلیل هزینه

muapiapp$0.01 per 1,000 characters

پرداخت به‌ازای هر بار تولید و بدون اشتراک. مطابق نرخ رسمی خروجی صوتی Gemini 3.8 Flash Lite TTS گوگل — مقرون‌به‌صرفه‌ترین رده در خانواده Gemini TTS.

Fal.aiدر دسترس نیست

این مدل را ارائه نمی‌دهد.

Replicateدر دسترس نیست

این مدل را ارائه نمی‌دهد.

** مدل‌ها。

⚙️

مشخصات فنی

طرح پیکربندی

گویندگانarray

تنظیم پارامتر List of speaker voice configurations. Each dialogue turn references a speaker by its ID. جهت هدایت دقیق فرآیند تولید مدل.

مقدار پیش‌فرض[object Object],[object Object]
نوبت‌های گفتگوarray

تنظیم پارامتر Ordered list of dialogue lines. Each turn's speaker_id must match a speaker defined above. Text may include tone tags like [shouting] or [whispers]. جهت هدایت دقیق فرآیند تولید مدل.

مقدار پیش‌فرض[object Object],[object Object],[object Object],[object Object]
صحنهstring

اختیاری scene description that sets the acoustic setting, e.g. "A quiet, warm room with a fireplace crackling softly."

مقدار پیش‌فرض
نمونه زمینه متنstring

اختیاری overall tone/style, e.g. "Audiobook style narration. Tone is gentle and inviting."

مقدار پیش‌فرض
دمای تصادفی بودن (Temperature)number

دمای تصادفی بودن خروجی؛ مقادیر بالاتر خروجی متنوع‌تر و مقادیر کمتر نتایج دقیق‌تری می‌دهند.

مقدار پیش‌فرض1
📖

راهنمای پیاده‌سازی

مستندات توسعه‌دهندگان

نحوه استفاده از Gemini 3.8 Flash Lite TTS

  1. گویندگان را تعریف کنید: برای هر صدا یک ورودی به فهرست speakers اضافه کنید. برای هرکدام speaker_id را با قالب "Speaker N" تعیین کنید، یک voice_name انتخاب کنید و accent، style و pace را تنظیم کنید. در صورت تمایل، audio_profile را برای توصیف شخصیت اضافه کنید.

  2. دیالوگ را بنویسید: خط‌ها را به‌ترتیب در dialogue_turns قرار دهید. speaker_id هر نوبت باید با یکی از گویندگانی که تعریف کرده‌اید مطابقت داشته باشد. می‌توانید برچسب‌های لحن مانند [whispers]، [shouting] یا [determination] را در متن بگنجانید.

  3. حال‌وهوا را تنظیم کنید (اختیاری): با scene فضای صوتی را توصیف کنید و با sample_context لحن کلی روایت را مشخص کنید. برای بیان متنوع‌تر یا یکنواخت‌تر، temperature را تنظیم کنید (0-2).

  4. ارسال و بررسی وضعیت: درخواست را با POST ارسال کنید، سپس /predictions/{request_id}/result را تا زمانی که وضعیت completed شود بررسی کنید تا URL صوت را دریافت کنید.

curl -X POST https://api.muapi.ai/api/v1/gemini-3-8-flash-lite-tts \
  -H "x-api-key: YOUR_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "speakers": [
      {"speaker_id": "Speaker 1", "voice_name": "Fenrir", "accent": "British (RP)", "style": "Deadpan", "pace": "Natural"},
      {"speaker_id": "Speaker 2", "voice_name": "Puck", "accent": "American (Gen)", "style": "Empathetic", "pace": "Staccato"}
    ],
    "dialogue_turns": [
      {"speaker_id": "Speaker 1", "text": "[shouting] Halt, traveler!"},
      {"speaker_id": "Speaker 2", "text": "[determination] I carry a message for the elder."}
    ],
    "scene": "A dark, crumbling dungeon.",
    "temperature": 1
  }'
❓

پرسش‌های متداول

سوالات پرتکرار

برای ساخت گفت‌وگوی چندگوینده‌ای چگونه عمل کنم؟

هر صدا را در فهرست `speakers` با یک `speaker_id` یکتا (با قالب "Speaker N") تعریف کنید، سپس همان شناسه‌ها را در `dialogue_turns` به کار ببرید. مدل هر خط را با صدا، لهجه، سبک و سرعت اختصاص‌یافته به همان گوینده تولید می‌کند.

آیا می‌توانم احساس و سرعت بیان را کنترل کنم؟

بله. هر گوینده تنظیمات `style` (Vocal Smile، Newscaster، Whisper، Empathetic، Promo/Hype، Deadpan) و `pace` (Natural، Rapid Fire، The Drift، Staccato) دارد. همچنین می‌توانید برچسب‌های لحن مانند [whispers]، [shouting] یا [determination] را مستقیماً در متن دیالوگ بگنجانید.

چه صداها و لهجه‌هایی در دسترس هستند؟

۳۰ صدای ازپیش‌ساخته (از جمله Zephyr، Fenrir، Puck، Kore و موارد دیگر) و ۸ لهجه وجود دارد؛ از جمله Neutral، گونه‌های آمریکایی، British (RP)، British (Brixton)، Transatlantic و Australian.

هزینه چگونه محاسبه می‌شود؟

هزینه بر اساس تعداد کل نویسه‌ها در همه نوبت‌های دیالوگ محاسبه می‌شود: $0.01 به‌ازای هر 1,000 نویسه؛ این نرخ با هزینه رسمی خروجی صوتی Gemini 3.8 Flash Lite TTS گوگل مطابقت دارد و ارزان‌ترین رده در خانواده Gemini TTS است. هزینه هر بار تولید را می‌پردازید و اشتراکی در کار نیست.

حداکثر طول هر خط چقدر است؟

متن هر نوبت دیالوگ می‌تواند حداکثر 10,000 نویسه باشد. برای ساخت گفت‌وگوهای طولانی‌تر می‌توانید چند نوبت اضافه کنید.

چه زمانی نسخه Lite را به‌جای Flash یا Pro انتخاب کنم؟

برای بارهای کاری پرحجم، کم‌تأخیر و حساس به هزینه، مانند عامل‌های مکالمه‌ای بلادرنگ یا تولید انبوه گویندگی، از Gemini 3.8 Flash Lite TTS استفاده کنید. برای وفاداری صوتی بالاتر، Gemini 3.8 Flash TTS را انتخاب کنید؛ برای روایت ممتاز با کیفیت استودیویی، Gemini 2.5 Pro TTS را به کار ببرید.