گفتار چندگوینده‌ای رسا با Gemini 3.8 Flash TTS. وفاداری صدای استودیویی و پایداری در متن‌های طولانی. رایگان امتحان کنید و به‌ازای هر بار استفاده پرداخت کنید.
گفتار چندگوینده‌ای رسا با Gemini 3.8 Flash TTS. وفاداری صدای استودیویی و پایداری در متن‌های طولانی. رایگان امتحان کنید و به‌ازای هر بار استفاده پرداخت کنید.
مدل‌ها
Gemini 3.8 Flash TTS مدل نسل جدید گوگل برای تبدیل متن به گفتار است که برای وفاداری صوتی در سطح استودیو، اجرای بیانی و پایداری در متن‌های طولانی ساخته 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 دیالوگ شخصیت‌ها، گویندگی بازی و ویدیو، پادکست و روایت‌هایی مناسب است که در آن‌ها به بیان طبیعی و رسا با سرعت بالا نیاز دارید. برای تأخیر و هزینه کمتر در بارهای کاری پرتراکنش، Gemini 3.8 Flash Lite TTS را ببینید؛ برای خروجی ممتاز با کیفیت استودیویی، Gemini 2.5 Pro TTS را بررسی کنید.
تحلیل هزینه
| ارائه‌دهنده | هزینه | یادداشت‌ها |
|---|---|---|
| muapiapp | $0.015 per 1,000 characters | پرداخت به‌ازای هر بار تولید و بدون اشتراک. مطابق نرخ رسمی خروجی صوتی Gemini 3.8 Flash TTS گوگل. |
| Fal.ai | در دسترس نیست | این مدل را ارائه نمی‌دهد. |
| Replicate | در دسترس نیست | این مدل را ارائه نمی‌دهد. |
پرداخت به‌ازای هر بار تولید و بدون اشتراک. مطابق نرخ رسمی خروجی صوتی Gemini 3.8 Flash TTS گوگل.
این مدل را ارائه نمی‌دهد.
این مدل را ارائه نمی‌دهد.
** مدل‌ها。
طرح پیکربندی
| پارامتر | نوع | توضیحات | پیش‌فرض |
|---|---|---|---|
| گویندگان | array | تنظیم پارامتر List of speaker voice configurations. Each dialogue turn references a speaker by its ID. جهت هدایت دقیق فرآیند تولید مدل. | [object Object],[object Object] |
| نوبت‌های گفتگو | array | 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. | [object Object],[object Object],[object Object],[object Object] |
| صحنه | string | اختیاری scene description that sets the acoustic setting, e.g. "A quiet, warm room with a fireplace crackling softly." | |
| نمونه زمینه متن | string | اختیاری overall tone/style, e.g. "Audiobook style narration. Tone is gentle and inviting." | |
| دمای تصادفی بودن (Temperature) | number | دمای تصادفی بودن خروجی؛ مقادیر بالاتر خروجی متنوع‌تر و مقادیر کمتر نتایج دقیق‌تری می‌دهند. | 1 |
تنظیم پارامتر List of speaker voice configurations. Each dialogue turn references a speaker by its ID. جهت هدایت دقیق فرآیند تولید مدل.
[object Object],[object Object]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.
[object Object],[object Object],[object Object],[object Object]اختیاری scene description that sets the acoustic setting, e.g. "A quiet, warm room with a fireplace crackling softly."
اختیاری overall tone/style, e.g. "Audiobook style narration. Tone is gentle and inviting."
دمای تصادفی بودن خروجی؛ مقادیر بالاتر خروجی متنوع‌تر و مقادیر کمتر نتایج دقیق‌تری می‌دهند.
1مستندات توسعه‌دهندگان
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.
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.
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).
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-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
}'
سوالات پرتکرار
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.
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.
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 بر اساس تعداد کل نویسه‌ها در همه نوبت‌های دیالوگ محاسبه می‌شود: $0.015 به‌ازای هر 1,000 نویسه؛ این نرخ با هزینه رسمی خروجی صوتی Gemini 3.8 Flash TTS گوگل مطابقت دارد. هزینه هر بار تولید را می‌پردازید و اشتراکی در کار نیست.
متن هر نوبت دیالوگ می‌تواند حداکثر 10,000 نویسه باشد. برای ساخت گفت‌وگوهای طولانی‌تر می‌توانید چند نوبت اضافه کنید.
Gemini 3.8 Flash TTS نسل جدید رده Flash گوگل است که برای وفاداری صوتی در سطح استودیو، اجرای بیانی و پایداری در متن‌های طولانی تنظیم شده و از رده 3.1 ارزان‌تر است. Gemini 3.8 Flash Lite TTS در بارهای کاری مکالمه‌ای با توان عملیاتی بالا، کمی از وفاداری صوتی می‌کاهد تا تأخیر و هزینه را باز هم کمتر کند.