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

Gemini 3.8 Flash TTS: AI เสียงและดนตรี

สร้างเสียงพูดหลายผู้พูดที่สื่ออารมณ์ได้ด้วย Gemini 3.8 Flash TTS คุณภาพเสียงระดับสตูดิโอและความเสถียรสำหรับเนื้อหาขนาดยาว ทดลองใช้ฟรี จ่ายตามการใช้งาน

การควบคุมโมเดลแบบโต้ตอบ

📝

ภาพรวม

เกี่ยวกับรุ่นนี้

Gemini 3.8 Flash TTS คือโมเดลแปลงข้อความเป็นเสียงรุ่นใหม่จาก Google ออกแบบมาเพื่อให้ได้คุณภาพเสียงระดับสตูดิโอ การถ่ายทอดอารมณ์อย่างมีชีวิตชีวา และความเสถียรกับเนื้อหาขนาดยาว กำหนดผู้พูดได้ไม่จำกัดจำนวน โดยแต่ละคนมีเสียง สำเนียง สไตล์อารมณ์ และจังหวะการพูดเฉพาะตัว จากนั้นเขียนบทสนทนาเป็นลำดับเทิร์น พร้อมแท็กน้ำเสียงในข้อความ เช่น [กระซิบ] หรือ [ตะโกน] เหมาะสำหรับบทพูดตัวละคร เสียงพากย์เกมและวิดีโอ พอดแคสต์ และงานบรรยายที่ต้องการการถ่ายทอดอย่างเป็นธรรมชาติและมีอารมณ์อย่างรวดเร็ว หากต้องการลดเวลาแฝงและค่าใช้จ่ายสำหรับงานปริมาณมาก ดู Gemini 3.8 Flash Lite TTS; หากต้องการคุณภาพระดับสตูดิโอขั้นสูง ดู Gemini 2.5 Pro TTS.

1เกมและอินเทอร์แอ็กทีฟ: พากย์เสียง NPC และบทสนทนาแบบแตกแขนงด้วยตัวละครที่มีอารมณ์และเอกลักษณ์เสียงแตกต่างกัน

2วิดีโอและ Shorts: สร้างเสียงพากย์และบทพูดตัวละครที่ถ่ายทอดอารมณ์ด้วยคุณภาพระดับสตูดิโอสำหรับการผลิตคอนเทนต์

3พอดแคสต์: สร้างเสียงสนทนาหลายผู้ดำเนินรายการจากสคริปต์ที่เขียนไว้

4การทำต้นแบบ: ปรับโทน สำเนียง และจังหวะได้อย่างรวดเร็วก่อนเรนเดอร์เสียงคุณภาพสูงขั้นสุดท้าย

💰

ราคาและความคุ้มค่า

การวิเคราะห์ต้นทุน

ผู้ให้บริการ	ราคา	หมายเหตุ
muapiapp	$0.015 per 1,000 characters	การใช้งานแต่ละครั้งเรียกเก็บเงินตามการใช้จริง
Fal.ai	ไม่พร้อมใช้งาน	ไม่เสนอรุ่นนี้
Replicate	ไม่พร้อมใช้งาน	ไม่เสนอรุ่นนี้

muapiapp$0.015 per 1,000 characters

การใช้งานแต่ละครั้งเรียกเก็บเงินตามการใช้จริง

Fal.aiไม่พร้อมใช้งาน

ไม่เสนอรุ่นนี้

Replicateไม่พร้อมใช้งาน

ไม่เสนอรุ่นนี้

** ราคาของคู่แข่งประเมินโดยพิจารณาจากสถาปัตยกรรมโมเดลและระดับการใช้งานที่คล้ายคลึงกัน

⚙️

รายละเอียดทางเทคนิค

สคีมาการกำหนดค่า

พารามิเตอร์	ประเภท	คำอธิบาย	ค่าเริ่มต้น
ลำโพง	array	. บัตรประจำตัว	`[object Object],[object Object]`
บทสนทนาเปลี่ยนไป	array	. ลำโพง_id [ตะโกน] [กระซิบ] .	`[object Object],[object Object],[object Object],[object Object]`
ฉาก	string	Optional scene description that sets the acoustic setting, e.g. "A quiet, warm room with a fireplace crackling softly."
บริบทตัวอย่าง	string	Optional overall tone/style, e.g. "Audiobook style narration. Tone is gentle and inviting."
อุณหภูมิ	number	(0-2) . , .	`1`

ลำโพงarray

. บัตรประจำตัว

ค่าเริ่มต้น[object Object],[object Object]

บทสนทนาเปลี่ยนไปarray

. ลำโพง_id [ตะโกน] [กระซิบ] .

ค่าเริ่มต้น[object Object],[object Object],[object Object],[object Object]

ฉากstring

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

ค่าเริ่มต้น

บริบทตัวอย่างstring

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

ค่าเริ่มต้น

อุณหภูมิnumber

(0-2) . , .

ค่าเริ่มต้น1

📖

คู่มือการใช้งาน

เอกสารสำหรับนักพัฒนา

วิธีใช้ Gemini 3.8 Flash TTS

กำหนดผู้พูด: เพิ่มรายการหนึ่งรายการต่อหนึ่งเสียงในลิสต์ speakers กำหนด speaker_id ในรูปแบบ "Speaker N" เลือก voice_name และตั้งค่า accent, style และ pace จะเพิ่ม audio_profile เพื่ออธิบายบุคลิกก็ได้
เขียนบทสนทนา: ใส่บรรทัดเรียงตามลำดับใน dialogue_turns โดย speaker_id ของแต่ละเทิร์นต้องตรงกับผู้พูดที่กำหนดไว้ คุณสามารถแทรกแท็กน้ำเสียงในข้อความ เช่น [whispers], [shouting] หรือ [determination]
กำหนดบรรยากาศ (ไม่บังคับ): ใช้ scene อธิบายสภาพแวดล้อมทางเสียง และใช้ sample_context กำหนดโทนการบรรยายโดยรวม ปรับ temperature (0-2) เพื่อให้การถ่ายทอดมีความหลากหลายมากขึ้นหรือน้อยลง
ส่งคำขอและตรวจสอบสถานะ: ส่งคำขอด้วย POST จากนั้นตรวจสอบ /predictions/{request_id}/result ซ้ำจนกว่า status จะเป็น completed เพื่อรับ URL ของไฟล์เสียง

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
  }'

❓

คำถามทั่วไป

คำถามที่พบบ่อย

สร้างบทสนทนาหลายผู้พูดได้อย่างไร?

กำหนดเสียงแต่ละเสียงในลิสต์ `speakers` โดยใช้ `speaker_id` ที่ไม่ซ้ำกัน (รูปแบบ "Speaker N") จากนั้นอ้างอิง ID เหล่านั้นใน `dialogue_turns` โมเดลจะสร้างเสียงของแต่ละบรรทัดตามเสียง สำเนียง สไตล์ และจังหวะที่กำหนดให้ผู้พูดคนนั้น

ควบคุมอารมณ์และจังหวะการพูดได้ไหม?

ได้ ผู้พูดแต่ละคนมีการตั้งค่า `style` (Vocal Smile, Newscaster, Whisper, Empathetic, Promo/Hype, Deadpan) และ `pace` (Natural, Rapid Fire, The Drift, Staccato) นอกจากนี้ยังแทรกแท็กน้ำเสียง เช่น [whispers], [shouting] หรือ [determination] ลงในข้อความบทสนทนาได้โดยตรง

มีเสียงและสำเนียงอะไรให้เลือกบ้าง?

มีเสียงที่เตรียมไว้ 30 แบบ (เช่น Zephyr, Fenrir, Puck, Kore) และสำเนียง 8 แบบ รวมถึง Neutral สำเนียงอเมริกันหลายแบบ British (RP), British (Brixton), Transatlantic และ Australian

คิดค่าบริการอย่างไร?

คิดราคาตามจำนวนอักขระรวมของทุกเทิร์นบทสนทนา ในอัตรา $0.015 ต่อ 1,000 อักขระ ซึ่งตรงกับอัตราค่าเอาต์พุตเสียงอย่างเป็นทางการของ Gemini 3.8 Flash TTS จาก Google จ่ายต่อการสร้างแต่ละครั้งโดยไม่มีค่าสมาชิก

แต่ละบรรทัดมีความยาวสูงสุดเท่าใด?

ข้อความในแต่ละเทิร์นบทสนทนามีความยาวได้สูงสุด 10,000 อักขระ และเพิ่มหลายเทิร์นเพื่อสร้างบทสนทนาที่ยาวขึ้นได้

แตกต่างจาก Gemini 3.1 Flash TTS และ Gemini 3.8 Flash Lite TTS อย่างไร?

Gemini 3.8 Flash TTS เป็น Flash tier รุ่นใหม่กว่าของ Google ปรับแต่งมาเพื่อคุณภาพเสียงระดับสตูดิโอ การถ่ายทอดอารมณ์ และความเสถียรสำหรับเนื้อหาขนาดยาว โดยมีค่าใช้จ่ายต่ำกว่ารุ่น 3.1 ส่วน Gemini 3.8 Flash Lite TTS แลกคุณภาพเสียงบางส่วนกับเวลาแฝงและค่าใช้จ่ายที่ต่ำลงอีก สำหรับงานสนทนาที่มีปริมาณการประมวลผลสูง