Gemini 3.8 Flash против Flash-Lite TTS: озвучка для взрослых

Для главы аудиокниги для взрослых или голосового сообщения персонажа выберите Gemini 3.8 Flash TTS для исполняемых указаний или более широкого покрытия языков, а Flash-Lite TTS — для простой готовой озвучки, коротких сообщений и больших партий текста. Обе модели читают откровенную лексику для взрослых как есть. Flash исполняет указания в квадратных скобках, например [whispers] (обычно; сначала прослушайте), и охватывает 130 языков против 101 у Lite. Lite исполняет указания в квадратных скобках ненадёжно и иногда читает их вслух, поэтому ему нужны простые сценарии. Flash стоит $0.00032 за возвращённую секунду аудио, Lite — $0.00021. Разница составляет $0.066 за десять минут аудио, или $6.60 на 1 000 минут. По нашим тестам сентября 2026 года.

Иллюстрация вымышленной взрослой пары из примеров; это не результат аудио.

Какая модель для какой задачи

Используйте Flash TTS, когда смех, вздох или шёпот должны прозвучать точно в нужном месте, и Flash-Lite TTS для обычной речи. Прослушайте обычные реплики на Lite и сохраните удачный дубль; его не нужно перегенерировать на Flash. Переходите на Flash, когда сцене нужны исполняемые указания или язык, который Lite не поддерживает. Обе модели принимают одинаковые поля, поэтому переключение — это смена имени модели.

Создайте голосовое сообщение персонажа

Сначала попробуйте в Playground. Откройте Flash TTS или Flash-Lite TTS, используйте вкладку Playground с представлением Form и:

1. В Text поместите только те слова, которые должен услышать слушатель (до 5 000 символов). На Flash ярлыки Cues вставляют [whispers], [sighs], [laughs], [gasps] и [pause]; Lite показывает предупреждение, что такие теги читаются вслух.
2. Выберите Voice (по умолчанию Kore) и, при желании, Style и Pace.
3. Добавьте указания по подаче в Delivery instructions (до 1 000 символов) и Scene (до 500). Ни то, ни другое не произносится.
4. Проверьте оценку длительности, нажмите Run model и воспроизведите или скачайте WAV в Output.

Затем тот же запрос из кода (pip install spicyapi, SPICY_API_KEY задан). Он создаёт задачу, ждёт и печатает ссылку на WAV; для Lite поменяйте модель на google/gemini-3.8-flash-lite-tts/text-to-speech и записывайте звуки словами вместо скобок:

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

Ожидание, повторы и обработка ошибок описаны в справочнике Python SDK и в документации по задачам.

Держите метки Character:, номера дублей и описания сцен за пределами text; модель прочитает это как транскрипт. Ограничьте instructions одной-двумя фразами о настроении и расстоянии до микрофона, а возраст и пол задавайте выбором другого голоса, а не описанием там; акцент задавайте полем accent.

На Flash ставьте указание прямо перед той репликой, которую оно направляет: [whispers] You made it. На странице модели также перечислены [sighs], [laughing] и [gasping], а её примеры используют [softly] и [teasing]; паузы возникают из пунктуации (запятые, многоточия, точки), а не из тега. Используйте квадратные скобки, а не теги в угловых скобках из прямой документации API Google. Если тег произносится вместо исполнения, перегенерируйте или перенесите эту реплику в instructions.

На Lite записывайте звуки словами: Mmm... you made it. или Ha... of course you did. Полностью исключите скобки и передавайте настроение через instructions, пунктуацию и короткие предложения.

Или пусть это выполнит Agent. Дайте помощнику CLI или MCP-сервер; оба показывают цену и просят подтвердить запуск перед платным вызовом, а Skill добавляет инструкции поверх любого из них.

• CLI: spicyapi (npx @spicyapi/cli работает без установки); в input.json лежит объект input выше:

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

• MCP-сервер: добавьте MCP-сервер и попросите: «Прочитай эту реплику тепло с Gemini 3.8 Flash TTS». Он вызывает spicyapi_task_create (который останавливается для подтверждения цены), затем spicyapi_task_wait.
• Skill: npx skills add spicyapi-ai/spicy-skill устанавливает Agent Skill; он учит помощника читать актуальную схему и сам задачи не выполняет, поэтому используйте его вместе с CLI или MCP.

Выберите голос

Идентификаторы голосов чувствительны к регистру, и Kore (твёрдый) — вариант по умолчанию. Более тёплые или мягкие варианты: Sulafat (тёплый), Achernar (мягкий) и Enceladus (с дыханием); Charon (информационный) подходит для озвучки, Gacrux — зрелый, Algenib — хриплый, Puck — бодрый. Прослушайте одни и те же две реплики тремя голосами на Lite, а затем оставьте этот голос для всей книги. Голос сохраняет свой характер между языками. Эти пресеты — единственные доступные голоса: ни клонирования, ни загруженного референса.

Иллюстрация; это не результат аудио.

Двое взрослых в одном запросе

Метки говорящих внутри text не создают два голоса. Используйте dialogue вместо text и дайте каждой реплике имя говорящего, которое есть в speakers.

{
  "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."
}

Ограничения: два говорящих, 20 реплик, 250 символов на реплику. Вы получаете один смешанный WAV, а не файл на каждого актёра; чтобы редактировать голоса по отдельности, сгенерируйте реплики каждого говорящего отдельными задачами с одним голосом. У каждого говорящего могут быть свои style, pace, accent и profile (не произносится).

Разбейте главу на запросы

Один запрос принимает до 5 000 символов. На практике абзац в 270 символов возвращается примерно за 20–26 секунд, поэтому шесть-восемь минут — это грубая оценка для полного запроса в 5 000 символов, а не ограничение по длительности. Этот диапазон стоит $0.1152–$0.1536 на Flash или $0.0756–$0.1008 на Lite (примерно $0.12–$0.15 и $0.08–$0.10 соответственно). Значит, глава на 20 минут — это три или четыре запроса: $0.384 на Flash, $0.252 на Lite.

• Делите на сменах сцен или длинных паузах, а не посреди предложения; шов внутри сцены там, где смена тембра слышнее всего.
• Используйте одинаковые голос, instructions и настройки для каждого фрагмента, иначе один рассказчик начнёт звучать как двое.
• Закладывайте запас: вы платите за возвращённые секунды, и более медленные настройки pace возвращают больше.
• Храните WAV 14 дней. Меток времени и субтитров нет; при необходимости выровняйте расшифровку в своём редакторе.
• Учитывайте временный резерв: выполняющаяся задача резервирует квоту на 660 секунд и освобождает неиспользованную часть по завершении.
• Нет MP3, музыкальных дорожек, регуляторов тона и скорости и звонков в реальном времени. Конвертируйте WAV локально, добавьте фоновые звуки в редакторе, а для голоса в реальном времени используйте интеграцию реального времени.

Настройки, которые меняют результат

pace предлагает natural, rapid_fire, the_drift (медленно, тягучий, с задержкой на каждом слове) и staccato. Начните с natural; если реплика звучит поспешно, сначала поправьте пунктуацию. style предлагает whisper, empathetic, vocal_smile, newscaster, promo_hype и deadpan; для интимной сцены попробуйте whisper или vocal_smile. accent предлагает восемь английских акцентов (нейтральный, три американских, два британских, трансатлантический, австралийский). temperature работает от 0 до 2 и управляет разбросом между дублями; для первого дубля оставьте поле пустым.

Когда что-то звучит не так

Как пример для прослушивания — вот опубликованный образец признания шёпотом на Flash. Документация модели от Google описывает только прямой API.

Коротко: простая озвучка, черновики и большие партии текста — на Lite; исполняемые указания или язык, которого нет у Lite, — на Flash. В любом случае сначала прогоните короткий отрывок тем голосом, который нужен, прежде чем браться за целую главу, а затем используйте этот голос и эту режиссуру для каждого фрагмента.

Другие аудиоварианты: сравнение API синтеза речи без цензуры (статья только на английском) и Gemini 2.5 Pro TTS для NSFW-аудио.