Gemini 3.1 Flash TTS Preview — это модель преобразования текста в речь от Google, представляющая собой значительный генерационный скачок по сравнению с Gemini 2.5 Flash TTS. Она принимает текстовый ввод и генерирует аудиовывод более чем на 70 языках — почти в 3 раза больше языкового охвата, чем у предшественника.
Главным нововведением является система из более чем 200 встроенных аудиотегов (например, [whispers], [laughs], [excited]), позволяющая разработчикам управлять подачей, эмоциями и темпом произношения прямо в середине предложения, а также рабочий процесс «director's chair» в Google AI Studio для определения аудиопрофилей для каждого персонажа и контекста на уровне сцены. Поддерживается до двух говорящих с независимой настройкой голоса и стиля для каждого говорящего, вывод PCM‑аудио с частотой 24 kHz / 16‑бит моно, и автоматическое добавление водяного знака SynthID ко всему выводу. Размер контекстного окна составляет 32 k токенов.
curl https://api.vega.chat/api/v1/chat/completions \
-H "Authorization: Bearer $VEGA_API_KEY" \
-H "Content-Type: application/json" \
-d '{
"model": "google/gemini-3.1-flash-tts-preview",
"messages": [
{"role": "user", "content": "Hello!"}
]
}'