Google lanserar Gemini 3.1 Flash TTS i förhandsvisning

TL;DR

Lansering: Google lanserade Gemini 3.1 Flash TTS i förhandsvisning den 15 april med promptbaserad kontroll över talleverans. Kontroller: Dokumenten visar att utvecklare kan styra takt, ton, accent och scener med flera högtalare genom strukturerade uppmaningar och ljudtaggar. Utrullning: Tillgänglighet sträcker sig över Gemini API, AI Studio, Vertex AI och Google Vids, med prissättning och SynthID-vattenmärkning som formar tidig användning.

Google lanserade Gemini 3.1 Flash TTS den 15 april som en förhandsvisning av talmodell som förvandlar text-till-tal till något som är närmare riktad prestanda. Genom modell-ID:t gemini-3.1-flash-tts-preview kan utvecklare forma leveransen inuti Gemini API istället för att behandla syntetiskt tal som ett vanligt avläsningslager.

Mer ovanligt är hur mycket riktning Google förväntar sig att leva i själva prompten. Simon Willison kallar uppmaningsguiden för”minst sagt överraskande”. I Googles lanseringsinlägg sitter ljudtaggar för sångstil bredvid förhandsvisningens modell för textinmatning och ljudutgång.

Promptteknik blir röstriktning

Inuti dokumenten läser det strukturerade meddelandeformatet mer som en produktionsinstruktion än ett vanligt API-anrop. Google ber om en ljudprofil, scenbeskrivning, regissörsanteckningar, exempelkontext och transkription. Samma guide exponerar också stil-, accent-, takt-och tonkontroller genom prompt på naturligt språk.

“Detta världsbyggande sammanhang hjälper karaktärer att förbli \”karaktärsmässigt\”och reagera på varandra naturligt i flera vändningar.”

Gemini-teamet, Googles författare (via Googles blogg)

Sett ur ett produktperspektiv är den viktiga förändringen inte bara att Google har levererat en annan talmodell. Utomstående bevakning framhävde Gemini 3.1 Flash TTS:s reglage och formatmallar på regissörsnivå. Google, å sin sida, säger att kreatörer kan casta karaktärer med ljudprofiler och regissörsanteckningar. Willisons praktiska testning skärpte den punkten ytterligare: gränssnittet för att testa det visade högtalaretiketter, röstval, skriptformatering och från WAV-nedladdningar och exemplet på Newcast och Exchange. ändrade resultatet.

Förhandsgranskning kommer med priser och begränsningar

På Googles utvecklarytor är lanseringen bred för en tidig förhandsgranskning. Googles lansering täcker Gemini API och Google AI Studio, tillsammans med Vertex AI och Google Vids, medan dokumenten listar 30 förbyggda röstalternativ och dirigerar användare till AI Studio för testning. Den omfattningen gör releasen till mer än en smal demofunktion.

För utvecklare som överväger om de ska prova det nu, spelar de praktiska begränsningarna lika stor roll som pitch. Enligt dokumenten är Gemini text-to-speech (TTS) i Preview, och modellen är inramad kring exakt textrecitation snarare än Live API:s öppna konversationsljud. Tjänsten inkluderar en gratis nivå, med 1 USD per miljon textinmatningstoken och 20 USD per miljon ljudutgångstoken på den betalda nivån.

Offentliga tester är redan en del av den lanseringshistorien. Det finns en gratis demo för att testa känslostyrd utdata, och Google säger att genererat tal är vattenmärkt med SynthID. Tillsammans visar dessa detaljer att Google driver experiment och ursprung på samma gång.

Google säger också att förhandsvisningen stöder infödd dialog med flera högtalare och mer än 70 språk, vilket ger produkten en bredare information än en enröstdemo. För team som utvärderar tillgänglighet, lokalisering eller teckenbaserade format gör den bredden releasen lättare att testa i verkliga arbetsflöden.