Gemini 3.1 Flash Text to Speech (TTS) est un nouveau modèle que vous pouvez diriger pour obtenir les performances audio précises que vous souhaitez. Dans cet article de blog, je partagerai quelques conseils sur la façon de guider le modèle avec des invites et partagerai quelques exemples de ses points forts.
Hors de la boîtegemini-3.1-flash-tts-aperçuinterprétera nativement une transcription et déterminera comment vos mots doivent être prononcés. Des transcriptions simples, sans aucune invite supplémentaire, semblent naturelles. Mais Flash TTS 3.1 est également livré avec des outils que vous pouvez utiliser pour le piloter.
Vous pouvez donner au modèle beaucoup de contexte, comme un profil audio : qui parle, comment il parle, à quoi ressemble sa voix, etc. Vous pouvez également décrire la scène, où ils se trouvent, ce qu'ils font, l'environnement et fournir des « notes du réalisateur » supplémentaires pour guider la performance. Le modèle utilisera ces informations pour générer un discours adapté à ce contexte.
Vous pouvez désormais également utiliser des balises pour contrôler la livraison de parties spécifiques de la transcription. Les balises sont des modificateurs en ligne comme[chuchote]ou[rires]qui vous donnent un contrôle granulaire sur la livraison. Vous pouvez les utiliser pour modifier le ton, le rythme et l’ambiance émotionnelle d’une ligne ou d’une section de la transcription. Vous pouvez également les utiliser pour ajouter des interjections et quelques autres sons non verbaux à la performance, comme [toux], [soupirs] ou [halètement].
Il n'y a aucune limite aux balises que vous pouvez utiliser. Vous pouvez être créatif avec ce que vous y mettez[]parenthèses, et le modèle fera toujours de son mieux pour les comprendre et les interpréter.
Pour montrer le type de variabilité que vous pouvez obtenir avec les balises uniquement, voici un ensemble d'exemples qui disent chacun la même chose, avec la même voix, mais la diffusion change en fonction des balises que j'ai utilisées. j'ai choisi leAlgénibvoix, une voix masculine, lég...
[Courte citation de 8% de l'article original]