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

Gemini 3.8 Flash TTS: Dźwięk i muzyka AI

Twórz ekspresyjne wypowiedzi wielu mówców za pomocą Gemini 3.8 Flash TTS. Studyjna jakość głosu i stabilność w długich nagraniach. Wypróbuj bezpłatnie, płać za użycie.

Interaktywne sterowanie modelem

Twórz ekspresyjne wypowiedzi wielu mówców za pomocą Gemini 3.8 Flash TTS. Studyjna jakość głosu i stabilność w długich nagraniach. Wypróbuj bezpłatnie, płać za użycie.

📝

Przegląd

O tym modelu

Gemini 3.8 Flash TTS is Google's newer-generation text-to-speech model, built for studio-grade voice fidelity, expressive acting, and long-form stability. Define any number of speakers, each with a distinct voice, accent, emotional style, and pace, then script a conversation across ordered dialogue turns with inline tone tags like [whispers] or [shouting]. It is ideal for character dialogue, game and video voiceovers, podcasts, and narration where you need natural, expressive delivery at speed. For even lower latency and cost on high-volume workloads, see Gemini 3.8 Flash Lite TTS; for premium studio-quality output, see Gemini 2.5 Pro TTS.

1Gry i interaktywność: Dodaj głosy NPC i rozgałęzione dialogi z wyrazistymi postaciami o określonych emocjach.
2Wideo i krótkie formaty: Twórz ekspresyjne, studyjnej jakości lektorskie nagrania i kwestie postaci.
3Podcasty: Twórz konwersacyjne nagrania z wieloma prowadzącymi na podstawie scenariusza.
4Prototypowanie: Szybko dopracuj ton, akcent i tempo przed końcowym renderem wysokiej jakości.
💰

Ceny i wartość

Analiza kosztów

muapiapp$0.015 per 1,000 characters

Pay per generation, no subscription. Matches Google's official Gemini 3.8 Flash TTS audio-output rate.

Fal.aiNiedostępne

Nie oferuje tego modelu.

ReplicateNiedostępne

Nie oferuje tego modelu.

** Ceny konkurencji są szacowane na podstawie podobnych architektur modeli i poziomów użytkowania.

⚙️

Szczegóły techniczne

Schemat konfiguracji

Głośnikiarray

. Identyfikator .

Wartość domyślna[object Object],[object Object]
Dialog się zmieniaarray

. identyfikator_głośnika. [krzyczy] [szepcze] .

Wartość domyślna[object Object],[object Object],[object Object],[object Object]
scenastring

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

Wartość domyślna
Przykładowy kontekststring

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

Wartość domyślna
Temperaturanumber

(0-2) . , .

Wartość domyślna1
📖

Przewodnik wdrożeniowy

Dokumentacja deweloperska

Jak korzystać z Gemini 3.8 Flash TTS

  1. Zdefiniuj mówców: Dodaj jeden wpis dla każdego głosu do speakers listy. Każdemu nadaj speaker_id in "Speaker N" w formacie, wybierz voice_name, oraz ustaw accent, style, and pace. Opcjonalnie dodaj audio_profile opisujący postać.

  2. Napisz dialog: Uzupełnij dialogue_turns uporządkowanymi kwestiami. W każdym wystąpieniu speaker_id musi odpowiadać zdefiniowanemu mówcy. Możesz wstawiać znaczniki tonu, takie jak [whispers], [shouting], or [determination].

  3. Ustaw nastrój (opcjonalnie): Użyj scene do opisania akustyki, a sample_context do określenia ogólnego tonu narracji. Dostosuj temperature (0-2) aby uzyskać bardziej lub mniej zróżnicowaną wypowiedź.

  4. Wyślij żądanie i odpytuj o wynik: POST żądanie, a następnie odpytuj /predictions/{request_id}/result aż status będzie równy completed aby otrzymać adres URL nagrania.

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
  }'
❓

Często zadawane pytania

Często zadawane pytania

Jak utworzyć rozmowę z wieloma mówcami?

Define each voice in the `speakers` list with a unique `speaker_id` (in "Speaker N" format), then reference those IDs in your `dialogue_turns`. The model renders each line in that speaker's assigned voice, accent, style, and pace.

Czy mogę sterować emocjami i tempem?

Yes. Each speaker has `style` (Vocal Smile, Newscaster, Whisper, Empathetic, Promo/Hype, Deadpan) and `pace` (Natural, Rapid Fire, The Drift, Staccato) settings. You can also embed inline tone tags like [whispers], [shouting], or [determination] directly in the dialogue text.

Jakie głosy i akcenty są dostępne?

There are 30 prebuilt voices (Zephyr, Fenrir, Puck, Kore, and more) and 8 accents including Neutral, American variants, British (RP), British (Brixton), Transatlantic, and Australian.

Jak obliczane są koszty?

Pricing is based on the total number of characters across all dialogue turns, at $0.015 per 1,000 characters — matching Google's official Gemini 3.8 Flash TTS audio-output rate. You pay per generation with no subscription.

Jaka jest maksymalna długość pojedynczej kwestii?

Each dialogue turn's text can be up to 10,000 characters. You can include multiple turns to build longer conversations.

How does this differ from Gemini 3.1 Flash TTS and Gemini 3.8 Flash Lite TTS?

Gemini 3.8 Flash TTS is Google's newer generation Flash tier, tuned for studio-grade voice fidelity, expressive acting, and long-form stability at a lower cost than the 3.1 line. Gemini 3.8 Flash Lite TTS trades a little fidelity for even lower latency and cost on high-throughput, conversational workloads.