Indlæser kataloget…
Indlæser kataloget…
Googles preview-model til tekst-til-tale, der genererer 24 kHz lyd på over 70 sprog med styrbar styling og en kontekst på 8.192 tokens.
Oversigt. Gemini 3.1 Flash TTS Preview er Googles dedikerede tekst-til-tale-model, der er designet til at konvertere tekstprompter direkte til syntetisk tale. Den er bygget på Flash-arkitekturen for at sikre hurtig behandling og understøtter lydgenerering på over 70 sprog med styrbar styling og ekspressive inline-tags. Den fungerer som et preview-endepunkt, der er planlagt til udfasning i november 2026 til fordel for Googles Gemini 3.8-serie til kodegenerering af tale.
Vigtigste styrker. Modellen genererer 24 kHz 16-bit mono-lyd og leverer standard WAV-filer ved enkelte kald og chunked PCM-streams til afspilning i sanntid. Den håndterer op til 8.192 inddatatoken og kan generere lange lydsekvenser på op til 16.384 uddatatoken. Ekspressive inline-tags giver udviklere mulighed for at styre tone, tempo og betoning uden brug af separate prosodimodeller.
Anvendelsesområder. Brug denne model til ældre tekst-til-tale-integrationer, der kræver streaming-lyd med kort svartid fra rå inddata. Da Google har påbegyndt udfasningen af denne preview-model frem mod stengning den 17. november 2026, bør de, der vedligeholder aktive implementeringer, skifte til Gemini 3.8 Flash TTS eller Gemini 3.8 Flash-Lite TTS. Til nye lydarbejdsflow på platformen bør du vælge de nyere modeller i 3.8-serien direkte.
Begrænsninger. Modellen er strengt begrænset til tekst-til-tale-generering og kan ikke levere uddata som tekst, behandle billeder eller lyd som inddata, foretage eksterne verktøykall eller understøtte kontekstcaching. Den mangler egenskaber inden for ræsonnering og kodeafvikling. Preview-statussen betyder også, at der er en aktiv tidsplan for udfasning, som fører til fuldstændig lukning af tjenesten i slutningen af 2026.
Bemærkning om suverænitet. Inferens kører på Google-infrastruktur i USA, hvilket gør datastrømmene underlagt CLOUD Act. Organisationer, der kræver operationel isolation med EU-suverænitet, bør vurdere Googles vilkår for behandling i skyen i forhold til deres egne regulatoriske krav til dataplacering.
| Inferensleverandør | Suverænitet | Kører i | Pris | Status | Fastgør |
|---|---|---|---|---|---|
| L0 | 0,88 € per 1 mio. ind-tokens17,60 € per 1 mio. uddata-tokens | Online |
8 anvendelsesområder klassificeret af redaktøren. Noten forklarer hvorfor.
Specialbygget variant i Flash-klassen til tekst til tale, der er optimeret til at generere talt lyd fra tekst.
Hurtig talesyntese i Flash-klassen, der passer til lyddelen af behandlingskæder for stemmeagenter inden for sit kontekstvindue på 8.192 tokens.
TTS-specifik forhåndsvisning, der ikke er designet til kodegenerering, eksekvering eller ræsonnering på versionsstyringsniveau.
Model til lydsyntese, der mangler billedforståelse og mulighed for billeder som inddata.
Et kontekstvindue på 8.192 tokens og en TTS-specialiseret arkitektur gør denne model uegnet til dokumentanalyse.
Designet som en standard forhåndsvisning af talesyntese uden dokumenteret understøttelse af zero-shot eller few-shot stemmekloning.
Udviklet udelukkende til tekst til tale-generering; mangler egenskaber til tale til tekst-transskription.
Specialiseret variant til talegenerering, der mangler generelle egenskaber til verktøykald og agentisk eksekvering.
Tal fra eksterne kilder, ikke vores egne vurderinger. Percentiler er målt mod tale-modellerne på Stav.
Ingen benchmarkkilde endnu
curl https://api.stav.ai/v1/audio/speech \
-H "Authorization: Bearer $STAV_API_KEY" \
-H "Content-Type: application/json" \
-d '{"model": "google/gemini-3.1-flash-tts-preview", "input": "Hei, verden!", "voice": "alloy"}' \
--output speech.mp3→ X-Stav-Request-Id · X-Stav-Model · X-Stav-Provider → X-Stav-Sovereignty-Level — det niveau, forespørgslen blev betjent på