Google Gemini 3.1 Flash TTS

Les balises audio sont la fonction vedette. Vous intégrez des commandes en langage naturel directement dans le texte, comme [very fast] ou [sarcastically, one slow word at a time], et le modèle joue en conséquence. Il n'y a pas de liste fixe, donc vous pouvez écrire des balises avec des mots simples et le modèle fait de son mieux pour les interpréter. Vous pouvez aussi ajouter des sons non verbaux comme [cough], [sighs] ou [gasp]. Balises courtes, grands changements.

Gemini 3.1 Flash TTS couvre plus de 70 langues et propose des accents régionaux plutôt qu'un registre uniforme, si bien que le même script peut sonner vraiment local au lieu d'être traduit dans une voix générique. L'anglais, par exemple, inclut des accents comme Southern US, California Valley, Brixton et britannique standard. Le modèle détecte la langue de votre entrée tout seul, donc vous ne la balisez pas à la main.

Le modèle génère plusieurs voix dans une seule sortie et garde chacune cohérente d'une réplique à l'autre. Vous attribuez à chaque personnage un profil audio, puis ajoutez des notes de réalisation pour ajuster rythme, ton et accent par intervenant. Les longues conversations ne dérivent pas vers la même voix en cours de route.

La réalisation de scène fixe le contexte de tout un enregistrement. Vous décrivez le décor et les instructions du dialogue. Le modèle s'appuie sur cette construction du monde pour garder les personnages dans leur rôle. Une scène posée comme une salle d'interrogatoire tendue se lit autrement qu'une supérette de nuit, et le modèle réagit à ces indices. Même script, autre salle. Le jeu change.

Sur le classement TTS d'Artificial Analysis, une référence bâtie sur des milliers de préférences humaines en aveugle, le modèle a obtenu un Elo de 1 211, selon Google. L'entreprise le présente comme son modèle vocal le plus naturel et le plus expressif à ce jour. Artificial Analysis l'a aussi placé dans son « quadrant le plus attractif » pour l'équilibre entre qualité et coût. Les chiffres ne disent pas tout, mais ce score le place près du sommet.

Chaque clip généré par le modèle porte un filigrane SynthID, le marquage invisible et vérifiable par machine de Google qui accompagne l'audio et que les outils fournis par Google peuvent confirmer. Il permet aux plateformes et aux auditeurs de confirmer que l'audio vient du modèle. Pour les éditeurs inquiets des clones vocaux et de la désinformation, c'est un contrôle de provenance intégré plutôt qu'un ajout.

Une fois une voix réglée dans AI Studio, vous pouvez exporter toute la configuration en code de l'API Gemini. Cela garde le son d'un personnage cohérent d'un projet à l'autre, donc vous ne reconstruisez pas une voix de zéro à chaque changement d'application. Vous voulez le même narrateur dans deux produits différents ? Exportez une fois. Réutilisez partout.