Gemini 3.1 Flash TTS Preview
нейросеть
Характеристики
- Входные данные
- текст, изображения, документы
- Результат
- текст, аудио
- Уровни рассуждений
- низкий, средний, высокий
- Возможности
- рассуждения, вызов функций
Стоимость промпта
(за 1M токенов)
Стоимость ответа
(за 1M токенов)
Картинка-промт
(за 1K токенов)
import OpenAI from 'openai';
const openai = new OpenAI({
apiKey: '<your bothub access token>',
baseURL: 'https://openai.bothub.chat/v1'
});
// Sync - Text generation
async function main() {
const chatCompletion = await openai.chat.completions.create({
messages: [{ role: 'user', content: 'Say this is a test' }],
model: 'gemini-3.1-flash-tts-preview',
});
}
// Async - Text generation
async function main() {
const stream = await openai.chat.completions.create({
messages: [{ role: 'user', content: 'Say this is a test' }],
model: 'gemini-3.1-flash-tts-preview',
stream: true
});
for await (const chunk of stream) {
const part: string | null = chunk.choices[0].delta?.content ?? null;
}
}
main();
Как работает Gemini 3.1 Flash TTS Preview?
Частые вопросы о Gemini 3.1 Flash TTS Preview
Вы можете использовать результаты генерации в коммерческих целях. Все права на созданный контент принадлежат вам. Единственное ограничение: убедитесь, что в запросе не использовались защищённые авторским правом материалы третьих сторон. Ответственность за соблюдение прав на входные данные лежит на пользователе.
Это модель синтеза речи с расширенными возможностями: она превращает текст в аудио, принимает изображения и документы, умеет рассуждать и работать с инструментами. Подходит для прототипирования озвучки, генерации голосовых интерфейсов, создания сценариев и озвучки контента на основе текста и референсов.
Gemini 3.1 Flash TTS Preview генерирует синтезированную речь по текстовому описанию; конкретные форматы и контейнеры зависят от API и платформы. Вы получаете аудиовыход в стандартных цифровых форматах, которые можно интегрировать в приложения и далее обрабатывать на стороне сервера или клиента.
Да, модель поддерживает рассуждения перед ответом, что помогает формировать более обоснованные и последовательные варианты озвучки и текстовых ответов. Это полезно при генерации сценариев, выборе интонаций и при подготовке структурированного вывода для дальнейшей обработки.
Да, в данных указано, что модель поддерживает вызов функций и вывод структурированного JSON. Это удобно для интеграции: модель может возвращать парсируемые метаданные, команды или тайм-коды, чтобы ваше приложение автоматически обрабатывало и синхронизировало озвучку.
В наших данных отмечено, что модель принимает изображения и документы на вход, что позволяет учитывать визуальные референсы при генерации. Информация о загрузке аудио или видео в качестве входа в предоставленных данных не отмечена, поэтому уточните это при интеграции через API.
Модель может работать с текстовыми описаниями и синтезировать речь по ним, однако конкретная степень понимания русского языка в предоставленных данных не указана. Мы рекомендуем протестировать модель на ваших примерах, чтобы оценить качество распознавания нюансов и естественности озвучки.