Gemini 3.8 Flash vs. Flash-Lite TTS: Erzählung für Erwachsene

Für ein Hörbuchkapitel für Erwachsene oder eine Sprachnachricht einer Figur gilt: Wählen Sie Gemini 3.8 Flash TTS für gespielte Spielanweisungen oder dessen breitere Sprachabdeckung und Flash-Lite TTS für schlichte fertige Erzählung, kurze Nachrichten und Massenzeilen. Beide lesen explizites Vokabular für Erwachsene so, wie es dasteht. Flash führt Spielanweisungen in Klammern wie [whispers] meistens aus (in der Regel; hören Sie zuerst eine Probe) und deckt 130 Sprachen ab, Lite nur 101. Lite führt Spielanweisungen in Klammern nicht zuverlässig aus und liest sie manchmal laut vor, braucht also schlichte Skripte. Flash kostet $0.00032 pro zurückgegebener Audiosekunde, Lite $0.00021. Die Differenz beträgt $0.066 pro zehn Minuten Audio, also $6.60 über 1.000 Minuten. Basierend auf unseren Tests vom September 2026.

Illustration des fiktiven erwachsenen Paares in den Beispielen; kein Audioergebnis.

Welches Modell für welche Aufgabe

Verwenden Sie Flash TTS, wenn ein Lachen, Seufzen oder Flüstern an der richtigen Stelle landen muss, und Flash-Lite TTS für schlichte Sprache. Hören Sie sich schlichte Zeilen zuerst auf Lite an und behalten Sie eine zufriedenstellende Aufnahme; sie muss auf Flash nicht neu erzeugt werden. Wechseln Sie zu Flash, wenn die Szene gespielte Spielanweisungen braucht oder eine Sprache, die Lite nicht unterstützt. Beide akzeptieren dieselben Felder, der Wechsel ist also nur ein Wechsel des Modellnamens.

Erstellen Sie eine Sprachnachricht einer Figur

Probieren Sie es zuerst im Playground aus. Öffnen Sie Flash TTS oder Flash-Lite TTS, verwenden Sie den Tab Playground mit der Ansicht Form, und:

1. Setzen Sie in Text nur die Wörter, die die zuhörende Person hören soll (bis zu 5.000 Zeichen). Auf Flash fügen die Cues-Kürzel [whispers], [sighs], [laughs], [gasps] und [pause] ein; Lite zeigt eine Warnung, dass solche Tags laut vorgelesen werden.
2. Wählen Sie eine Voice (Standard ist Kore) und bei Bedarf ein Style- und ein Pace-Feld.
3. Notieren Sie Sprechhinweise in Delivery instructions (bis zu 1.000 Zeichen) und Scene (bis zu 500). Beides wird nicht gesprochen.
4. Prüfen Sie die Längenschätzung, drücken Sie Run model und spielen oder laden Sie die WAV-Datei in Output herunter.

Dieselbe Anfrage aus Code heraus (pip install spicyapi, SPICY_API_KEY gesetzt). Sie legt die Aufgabe an, wartet und gibt den WAV-Link aus; für Lite ändern Sie das Modell auf google/gemini-3.8-flash-lite-tts/text-to-speech und schreiben Laute aus, statt Klammern zu verwenden:

import uuid

from spicyapi import SpicyClient, output_assets

client = SpicyClient()  # reads SPICY_API_KEY from the environment

task = client.create_task(
    model="google/gemini-3.8-flash-tts/text-to-speech",
    input_data={
        "text": "You made it. I was starting to think you had changed your mind. Stay a little longer; I like having you here.",
        "voice_id": "Kore",
        "instructions": "Quiet, warm and intimate. Speak to one adult listener, with a natural pause after the first sentence.",
        "pace": "natural",
    },
    idempotency_key=str(uuid.uuid4()),  # new key per new request; reuse only to retry the same one
)

final = client.wait_for_terminal(task["taskId"])
if final["state"] != "succeeded":
    raise RuntimeError(f"Task {task['taskId']} ended as {final['state']}")

print(output_assets(final)[0]["url"])  # 24 kHz 16-bit mono WAV; copy it to your own storage

Warten, Wiederholungen und Fehlerbehandlung stehen in der Python-SDK-Referenz und in der Aufgaben-Dokumentation.

Halten Sie Character:-Etiketten, Take-Nummern und Szenenbeschreibungen aus text heraus; das Modell liest das als Transkript. Beschränken Sie instructions auf ein oder zwei Sätze zu Stimmung und Abstand zum Mikrofon, und wählen Sie stattdessen eine andere Stimme, statt dort Alter oder Geschlecht zu beschreiben; setzen Sie den Akzent über das Feld accent.

Auf Flash setzen Sie eine Spielanweisung direkt vor die Zeile, die sie steuern soll: [whispers] You made it. Die Modellseite listet außerdem [sighs], [laughing] und [gasping], und ihre Beispiele verwenden [softly] und [teasing]; Pausen entstehen durch Satzzeichen (Kommas, Auslassungspunkte, Punkt), nicht durch einen Tag. Verwenden Sie eckige Klammern, nicht die Winkelklammer-Tags aus Googles direkter API-Dokumentation. Wird ein Tag ausgesprochen statt ausgeführt, erzeugen Sie neu oder verschieben Sie die Zeile in instructions.

Auf Lite schreiben Sie Laute als Wörter aus: Mmm... you made it. oder Ha... of course you did. Lassen Sie Klammern ganz weg und tragen Sie die Stimmung über instructions, Satzzeichen und kurze Sätze.

Oder lassen Sie einen Agenten laufen. Geben Sie einem Assistenten die CLI oder den MCP-Server; beide zeigen den Preis und fragen vor einem kostenpflichtigen Aufruf nach Ihrer Bestätigung, und das Skill ergänzt Anweisungen für beides.

• CLI: spicyapi (npx @spicyapi/cli funktioniert ohne Installation); input.json enthält das input-Objekt von oben:

``bash spicyapi tasks create --model google/gemini-3.8-flash-tts/text-to-speech \ --input-file input.json --wait ``

• MCP-Server: Fügen Sie den MCP-Server hinzu und fragen Sie: "Lies diese Zeile warm mit Gemini 3.8 Flash TTS." Er ruft spicyapi_task_create auf (das für Ihre Preisbestätigung anhält) und danach spicyapi_task_wait.
• Skill: npx skills add spicyapi-ai/spicy-skill installiert den Agent Skill; er bringt dem Assistenten bei, das aktuelle Schema zu lesen, und kann selbst keine Aufgaben ausführen, daher kombinieren Sie ihn mit CLI oder MCP.

Wählen Sie eine Stimme

Voice-IDs sind case-sensitiv, und Kore (fest) ist die Vorgabe. Wärmere oder sanftere Optionen sind Sulafat (warm), Achernar (sanft) und Enceladus (mit hörbarem Atem); Charon (informativ) passt zur Erzählung, Gacrux ist reif, Algenib rau und Puck beschwingt. Hören Sie dieselben zwei Zeilen in drei Stimmen auf Lite an und behalten Sie diese Stimme für das ganze Buch. Eine Stimme behält ihren Charakter über Sprachen hinweg. Diese Voreinstellungen sind die einzigen Stimmen: kein Klonen, keine hochgeladene Referenz.

Illustration; kein Audioergebnis.

Zwei Erwachsene in einer Anfrage

Sprecheretiketten in text erzeugen keine zwei Stimmen. Verwenden Sie dialogue statt text, und geben Sie jeder Zeile einen Sprechernamen, der in speakers steht.

{
  "speakers": [
    {"name": "Mara", "voice_id": "Kore", "style": "vocal_smile"},
    {"name": "Eli", "voice_id": "Charon", "pace": "natural"}
  ],
  "dialogue": [
    {"speaker": "Mara", "text": "You can stay, if you want to."},
    {"speaker": "Eli", "text": "I was hoping you would ask."}
  ],
  "scene": "Two fictional adults speaking quietly after a dinner date."
}

Grenzen: zwei Sprecher, 20 Zeilen, 250 Zeichen pro Zeile. Sie erhalten eine einzige gemischte WAV-Datei, nicht eine Datei pro Darsteller; um Stimmen einzeln zu bearbeiten, erzeugen Sie die Zeilen jedes Sprechers als getrennte Aufgaben mit nur einer Stimme. Jeder Sprecher kann sein eigenes style, pace, accent und ein profile mitbringen (nicht laut vorgelesen).

Machen Sie aus einem Kapitel mehrere Anfragen

Eine einzelne Anfrage nimmt bis zu 5.000 Zeichen auf. In der Praxis liefert ein Absatz mit 270 Zeichen ungefähr 20 bis 26 Sekunden, sechs bis acht Minuten sind also eine grobe Schätzung für eine vollständige 5.000-Zeichen-Anfrage, keine Dauergrenze. Dieser Bereich kostet auf Flash $0.1152 bis $0.1536 oder auf Lite $0.0756 bis $0.1008 (etwa $0.12–$0.15 beziehungsweise $0.08–$0.10). Ein 20-Minuten-Kapitel ist also drei oder vier Anfragen: $0.384 auf Flash, $0.252 auf Lite.

• Teilen Sie an Szenenwechseln oder langen Pausen, nicht mitten im Satz; eine Naht innerhalb einer Szene ist dort, wo ein Wechsel der Klangfarbe am ehesten auffällt.
• Verwenden Sie für jedes Stück dieselbe Stimme, dieselben instructions und dieselben Einstellungen, sonst klingt ein Erzähler plötzlich wie zwei.
• Kalkulieren Sie mit Puffer: Sie zahlen für zurückgegebene Sekunden, und langsamere pace-Einstellungen liefern mehr zurück.
• Behalten Sie die WAV-Datei 14 Tage lang. Es gibt keine Zeitstempel oder Untertitel; richten Sie bei Bedarf ein Transkript in Ihrem Editor aus.
• Rechnen Sie mit einer vorübergehenden Reservierung: Eine laufende Aufgabe reserviert Guthaben für 660 Sekunden und gibt den ungenutzten Teil bei Abschluss frei.
• Kein MP3, keine Musiktitel, keine Tonhöhen- oder Temposchieber und keine Live-Aufrufe. Konvertieren Sie die WAV-Datei lokal, fügen Sie in einem Editor Umgebungsgeräusche hinzu und nutzen Sie eine Echtzeitintegration für Live-Stimme.

Einstellungen, die das Ergebnis verändern

pace bietet natural, rapid_fire, the_drift (langsam, nachklingend) und staccato. Beginnen Sie mit natural; wirkt eine Zeile gehetzt, korrigieren Sie zuerst die Satzzeichen. style bietet whisper, empathetic, vocal_smile, newscaster, promo_hype und deadpan; für eine intime Szene probieren Sie whisper oder vocal_smile. accent bietet acht englische Akzente (neutral, drei amerikanische, zwei britische, transatlantisch, australisch). temperature reicht von 0 bis 2 und steuert die Unterschiede zwischen den Aufnahmen; lassen Sie das Feld für die erste Aufnahme leer.

Wenn etwas falsch klingt

Als Hörbeispiel finden Sie hier das veröffentlichte Flash-Beispiel mit geflüstertem Geständnis. Googles Modelldokumentation deckt nur die direkte API ab.

Kurz gesagt: schlichte Erzählung, Entwürfe und Massenzeilen auf Lite; gespielte Spielanweisungen oder eine fehlende Sprache auf Flash. Wie auch immer: Lassen Sie zuerst eine kurze Passage in der gewünschten Stimme laufen, bevor Sie ein ganzes Kapitel beauftragen, und verwenden Sie dann diese Stimme und diese Regie für jedes Stück.

Weitere Audio-Optionen: der Vergleich unzensierter Sprachsynthese-APIs (Artikel auf Englisch) und Gemini 2.5 Pro TTS für NSFW-Audio.