gemini-3.8-flash-lite-tts
нейрожелі
Сипаттамалары
- Кіріс деректер
- мәтін
- Нәтиже
- аудио
- Дауыстар саны
- 6
Промптың құны
(1М токенге қарай)
Жауаптың құны
(1М токенге қарай)
Сурет промпты
(1К токенге қарай)
import OpenAI from 'openai';
const openai = new OpenAI({
apiKey: '<your bothub access token>',
baseURL: 'https://openai.bothub.chat/v1'
});
import fs from 'fs';
async function main() {
const response = await openai.audio.speech.create({
model: 'gemini-3.8-flash-lite-tts',
voice: 'nova',
input: 'Hello! This is a speech generation example via BotHub.',
response_format: 'mp3',
speed: 0.9
});
const buffer = Buffer.from(await response.arrayBuffer());
await fs.promises.writeFile('output.mp3', buffer);
}main();
Қалай жұмыс істейді gemini-3.8-flash-lite-tts?
gemini-3.8-flash-lite-tts туралы жиі қойылатын сұрақтар
Генерация нәтижелерін коммерциялық мақсатта пайдалана аласыз. Жасалған контентке барлық құқық сізге тиесілі. Жалғыз шектеу: сұрауда үшінші тараптардың авторлық құқықпен қорғалған материалдары пайдаланылмағанына көз жеткізіңіз. Кіріс деректерінің құқықтарын сақтау жауапкершілігі пайдаланушыға жүктеледі.
Бұл Google-дің мәтіннен сөйлеуге (text-to-speech) түрлендіретін моделі: мәтінді аудиоға айналдырады және интерфейстерді, дауыстық көмекшілерді, дәрістерді және табиғи дауыс қажет болатын басқа да сценарийлерді дыбыстауға жарамды. Үлкен контекст ұзын мәтіндерді дәйекті түрде генерациялау үшін беруге мүмкіндік береді.
Модель мәтін бойынша аудио генерациялайды; нақты формат пен кодек API немесе интеграция арқылы орнатылады, сондықтан шығыс параметрлерін өзіңіз таңдайсыз. Кең контексттің арқасында сөйлеудің ұзақ үзінділерін жиі үзіліссіз алуға болады.
Біздің деректерде бұл туралы айтылмаған. Мәтіннен сөйлеуге түрлендіретін модельдер әдетте дайын мәтінді дыбысқа айналдырады, ал алдын ала егжей-тегжейлі пайымдаулар қалыптастырмайды. Егер сізге пайымдау кезеңі қажет болса, алдымен мәтінді LLM-де қалыптастырып, содан кейін нәтижені дыбыстауға беріңіз.
Біздің деректерде бұл туралы айтылмаған. Function calling мүмкіндіктері және құрылымдалған JSON әдетте LLM функционалына жатады. Іс жүзінде сіз қолданба жағында JSON генерациялай немесе қалыптастыра аласыз және қажетті мәтіндік өрістерді дыбыстау үшін модельге бере аласыз.
Біздің деректерде басқа кіріс түрлерін қабылдау туралы айтылмаған; модель мәтінге бағытталған. Видео немесе аудиомен жұмыс істеу үшін әдетте алдымен транскрипт немесе субтитрлер алынады, содан кейін мәтін дыбыстауды генерациялау үшін модельге беріледі.
Біздің деректерде бұл туралы айтылмаған, сондықтан орыс тілін түсіну деңгейін растау мүмкін емес. Дыбыстау сапасы мен айтылудың дұрыстығы кіріс мәтініне, таңдалған дауыстарға және интеграция параметрлеріне байланысты болады, өз мысалдарыңызда сынақтан өткізген дұрыс.