Gemini 3.8 Flash TTS एपीआई

Gemini 3.8 Flash TTS के बारे में

130 भाषाओं में इनलाइन वोकल टैग, शैली दिशा और दो-स्पीकर संवाद के साथ अभिव्यंजक भाषण और 2,000 से अधिक आवाजों की लाइब्रेरी।

इस नाम से भी जाना जाता है Gemini Flash TTS, Google Gemini 3.8 Flash TTS

Gemini 3.8 Flash TTS की विशेषताएं

मॉडल ID

gemini-3-8-flash-tts

निर्माता

Google

श्रेणी

ऑडियो जनरेशन

रिलीज

22 सित॰ 2026

इनपुट

टेक्स्ट

आउटपुट

ऑडियो

एंडपॉइंट

POST/v1/audio/speechPOST/v1/audio/speech:streamGET/v1/voices

वैकल्पिक मॉडल ID

gemini-3.8-flash-ttsgoogle/gemini-3.8-flash-tts

Gemini 3.8 Flash TTS API की कीमतें

EmpirioLabs कैटलॉग से लाइव pay-as-you-go दरें। आप सिर्फ उतना ही भुगतान करते हैं जितना उपयोग करते हैं, कोई मासिक न्यूनतम नहीं।

Gemini 3.8 Flash TTS API को कैसे कॉल करें

Gemini 3.8 Flash TTS POST /v1/audio/speech से आवाज़ बनाता है और चलाने योग्य ऑडियो देता है। बोला जाने वाला टेक्स्ट input के रूप में model id gemini-3-8-flash-tts के साथ भेजें। EmpirioLabs डैशबोर्ड से API key प्राप्त करें।

curl https://api.empiriolabs.ai/v1/audio/speech \
  -H "Authorization: Bearer $EMPIRIOLABS_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-3-8-flash-tts",
    "input": "Welcome to EmpirioLabs. Your build just finished."
  }' \
  --output speech.mp3

import requests

response = requests.post(
    "https://api.empiriolabs.ai/v1/audio/speech",
    headers={"Authorization": "Bearer YOUR_EMPIRIOLABS_API_KEY"},
    json={"model": "gemini-3-8-flash-tts", "input": "Welcome to EmpirioLabs."},
)
with open("speech.mp3", "wb") as f:
    f.write(response.content)

Gemini 3.8 Flash TTS API के पैरामीटर

EmpirioLabs पर Gemini 3.8 Flash TTS API द्वारा समर्थित request पैरामीटर। फ़ील्ड छोड़ने पर डिफ़ॉल्ट मान लागू होते हैं।

जानने योग्य

सीमाएं

• टेक्स्ट: प्रति अनुरोध 5,000 वर्णों तक
• ऑडियो बिलिंग: जेनरेट किए गए ऑडियो के प्रति सेकंड 32 आउटपुट टोकन
• 130 भाषाएँ। पाठ की भाषा स्वचालित रूप से पता चल जाती है।

आवाजें

• voice सूची में 30 आवाजें हर समर्थित भाषा बोलती हैं।
• GET /v1/voices?model=gemini-3-8-flash-tts 30 स्थानों पर 2,000 से अधिक आवाजों की पूरी लाइब्रेरी को सूचीबद्ध करता है, जिसमें भाषा, उच्चारण, लिंग, पिच और प्रत्येक का विवरण होता है। इसे language, gender, pitch या q के साथ फ़िल्टर करें। यह जो भी आईडी लौटाता है वह voice या voice2 के रूप में काम करता है; जब आप language भी सेट करते हैं, तो आवाज की अपनी भाषा का उपयोग करें।

कस्टम आवाजें

• voice को https URL के रूप में एक ही वयस्क स्पीकर की दो रिकॉर्डिंग custom करने और पास करने के लिए सेट करें: voice_audio_url, 10 से 30 सेकंड का प्राकृतिक भाषण, और voice_consent_audio_url, स्पीकर पढ़ता है "मैं इस आवाज़ का मालिक हूं और मैं सिंथेटिक वॉयस मॉडल बनाने के लिए इस आवाज़ का उपयोग करके Google को सहमति देता हूं। कथन 30 भाषाओं में स्वीकार किया जाता है; उस पैरामीटर पर consent_statements प्रत्येक शब्द को सूचीबद्ध करता है।
• दोनों एक ही माइक्रोफ़ोन पर एक शांत कमरे में एक वास्तविक व्यक्ति की रिकॉर्डिंग होनी चाहिए। AI-जनरेटेड ऑडियो स्वीकार नहीं किया जाता है। WAV, MP3, M4A, OGG, WEBM और FLAC स्वीकार किए जाते हैं, प्रत्येक में 15 एमबी तक।
• प्रतिक्रिया में voice_id और voice_id_expires_at शामिल हैं। नई रिकॉर्डिंग के बिना 7 दिनों के लिए आवाज का पुन: उपयोग करने के लिए voice_id को voice या voice2 के रूप में पास करें। एक voice_id केवल उस खाते के लिए काम करता है जिसने इसे बनाया है।
• यह मॉडल कस्टम आवाज़ों की कोई सूची नहीं रखता है, इसलिए voice_id को प्रतिक्रिया से दूर रखें। एक कस्टम आवाज तब समाप्त हो जाती है जब उसकी आईडी समाप्त हो जाती है, इसलिए हटाने के लिए कुछ भी नहीं है।
• Playground में, उसी टैब में बनाई गई आवाज़ का फिर से उपयोग करने के लिए Voice को कस्टम पर सेट करें या उसकी ID कॉपी करें.

वितरण की दिशा

• पूरे मार्ग के लिए पाठ के बजाय style_prompt में दिशा रखें, उदाहरण के लिए "गर्म, अनियंत्रित और आश्वस्त"।
• वोकल टैग इनलाइन रखें जहां ध्वनि होनी चाहिए। इन अंग्रेजी टैग का उपयोग तब भी करें जब पाठ किसी अन्य भाषा में हो:

<argh> <breath> <heavy breath> <exhales> <cackle> <cheer> <chuckle> <chuckles> <cough> <cry> <gasp> <giggle> <groan> <growl> <grunt> <grr> <hiss> <laugh> <laughter> <moan> <pant> <pff> <phew> <scream> <shout> <shriek> <sigh> <sighs> <sneeze> <snicker> <snort> <sob> <throat-clearing> <tsk> <whimper> <whispers> <whispering> <yawn> <short pause> <long pause>

• किसी शब्द को जोर देने के लिए उसे बड़े अक्षरों में लिखें। एक श्रोता की प्रतिक्रिया को पाइप में लपेटें, उदाहरण के लिए | mm-hmm|, एक नया मोड़ शुरू किए बिना इसे जोड़ने के लिए।

मल्टी-स्पीकर

• प्रति अनुरोध अधिकतम दो वक्ता। प्रत्येक पंक्ति को स्पीकर के नाम और कोलन से शुरू करें, उदाहरण के लिए स्पीकर 1: और स्पीकर2:। नाम speaker1_name और speaker2_name से मेल खाना चाहिए।

उत्पादन

• WAV, MP3, OGG (Opus), ALAW, या MULAW, 8,000 से 48,000 हर्ट्ज पर।
• ऑडियो उत्पन्न होने के दौरान POST /v1/audio/speech:stream 24,000 हर्ट्ज पर 16-बिट पीसीएम चंक्स भेजता है, फिर अनुरोधित प्रारूप में पूरी फ़ाइल भेजता है। speed केवल POST /v1/audio/speech पर उपलब्ध है।

Gemini 3.8 Flash TTS API: आम सवाल

Gemini 3.8 Flash TTS API की कीमत कितनी है?

EmpirioLabs पर Gemini 3.8 Flash TTS का बिल उपयोग के अनुसार बनता है: इनपुट $2.60 प्रति 1M प्रॉम्प्ट टोकन; आउटपुट $46.80 प्रति 1M जेनरेट किए गए टोकन। इस पेज की लाइव दर तालिका हमेशा API की वास्तविक बिलिंग से मेल खाती है।

Gemini 3.8 Flash TTS कौन सा endpoint उपयोग करता है?

Gemini 3.8 Flash TTS api.empiriolabs.ai पर POST /v1/audio/speech के ज़रिए मिलता है, मानक Bearer टोकन प्रमाणीकरण के साथ।

क्या मैं इंटीग्रेट करने से पहले ब्राउज़र में Gemini 3.8 Flash TTS आज़मा सकता हूं?

हां। EmpirioLabs playground ब्राउज़र में Gemini 3.8 Flash TTS को उन्हीं पैरामीटरों के साथ चलाता है जो API देता है, ताकि आप कोड लिखने से पहले prompt आज़मा सकें।

Gemini 3.8 Flash TTS की API key कैसे मिलेगी?

EmpirioLabs खाता बनाएं, फिर डैशबोर्ड में API Keys में key जनरेट करें। बिलिंग pay-as-you-go क्रेडिट से होती है, इसलिए आप सिर्फ अपनी requests का भुगतान करते हैं।

Gemini 3.8 Flash TTS की दूसरे मॉडलों से तुलना करें