Gemini 3.1 Flash TTS API — озвучка и токены

Контекст: 32 768токенов
Результат: Синтез речиформат ответа
Стоимость: Тариф уточняетсяусловия — в блоке подключения

ПОДКЛЮЧЕНИЕ

От модели к первому запросу

Используйте идентификатор модели в совместимом API-клиенте. Полные параметры, ключи и ответы с ошибками описаны в документации.

const response = await client.chat.completions.create({
  model: "google/gemini-3.1-flash-tts-preview",
  messages: [{ role: "user", content: "Ваш запрос" }],
});

Открыть инструкцию по подключению →

ПОДРОБНЫЙ ОБЗОР

Возможности модели

Google указывает текстовый вход, аудиовыход, expressive audio tags и поддержку streaming. Официальная карточка даёт лимиты 8192 входных и 16 384 выходных токена, тогда как Tokenmost показывает context 32 768; перед длинной озвучкой нужно проверить предел конкретной интеграции. Google предупреждает, что качество голоса может дрейфовать в длинных фрагментах.

Подготовьте текст для слухового восприятия

Разбейте урок на смысловые блоки, раскройте сокращения и удалите элементы, понятные только глазами. Формулы и таблицы получают словесное описание. Текст для диктора хранится отдельно от HTML, чтобы изменение навигации страницы не попадало в речь как случайная служебная фраза.

Задайте голос и выразительность

Выберите один профиль голоса и согласуйте темп, паузы и произношение терминов. Audio tags применяйте только там, где они улучшают смысл. Стилевую инструкцию явно отделите от произносимого текста, иначе модель может зачитать режиссёрскую пометку.

Генерируйте короткими сегментами

Несколько минут на файл упрощают повторную генерацию, сохраняют стабильность и уменьшают ущерб одной ошибки. Каждый сегмент получает ID, границы и контрольный текст. При retry заменяется только неудачный фрагмент, а уже принятые записи не создаются повторно.

Проведите аудиоприёмку

Сверьте полноту текста, ударения, числа, имена, паузы и отсутствие артефактов. Прослушайте начало и стык каждого сегмента. Автоматический контроль длительности помогает найти пропуск, но финальную пригодность и доступность подтверждает человек по исходному сценарию.

Токены и цена озвученного курса

Google тарифицирует текстовый вход и аудиотокены выхода; Tokenmost показывает свои ставки маршрута. Считайте все сегменты, retries, хранение и сборку. Сравнивайте цену готовой минуты, прошедшей проверку, а не стоимость одного успешного ответа без учёта брака.

Вопросы и ответы

Что принимает Gemini 3.1 Flash TTS?

Текст на входе и возвращает синтезированную речь.

Поддерживается ли streaming?

Да, Google указывает streaming для TTS начиная с версии 3.1.

Почему делить длинный текст?

Google предупреждает о возможном дрейфе качества и голоса в длинных выходах.

Какой лимит контекста?

Google и Tokenmost показывают разные представления лимита; его нужно подтвердить на маршруте.

Как считать стоимость?

По текстовым и аудиотокенам всех принятых и повторных сегментов.