Обновлено: 13 октября 2026 г.

Gemini 3.8 Flash TTS: цены, голоса и руководство по API

Google выпустила Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS 23 сентября 2026 г. Flash TTS — выразительная модель для озвучки, аудиокниг и голосов персонажей; Flash-Lite TTS — более дешёвая, для дубляжа и голосовых агентов. На этой странице — цена за час, голоса, код и ограничения, о которых стоит знать заранее.

Gemini 3.8 Flash TTS: основные характеристики

Источник: Страница модели Gemini 3.8 Flash TTS

Источник: Анонс TTS от Google

Цены Gemini 3.8 Flash TTS

Аудио на выходе тарифицируется из расчёта 25 токенов в секунду, поэтому цену за час легко посчитать. Стартовые цены действуют до 31 декабря 2026 г.; стандартные — с 1 января 2027 г.

Цены за час — наш расчёт по потокенным ценам Google, без небольшой стоимости текстового входа. Бесплатный уровень распространяется на обе модели; данные на бесплатном уровне могут использоваться для улучшения продуктов Google.

Источник: Цены Gemini API

Пример на Python

1. Создайте ключ в Google AI Studio и сохраните его в переменной GEMINI_API_KEY.
2. pip install -U google-genai.
3. Слова для озвучки помещайте в text, а манеру подачи (эмоцию, темп, тон) — в аннотацию style, а не в сам текст.
4. Выберите голос и запишите аудио в base64 в файл .wav.

# pip install -U google-genai
import base64
from google import genai

client = genai.Client()

interaction = client.interactions.create(
    model="gemini-3.8-flash-tts",
    input=[{
        "type": "user_input",
        "content": [{
            "type": "text",
            "text": "Have a wonderful day! <short pause> See you tomorrow.",
            "annotations": [{"type": "speech_metadata", "style": "cheerful and friendly"}],
        }],
    }],
    response_format={"type": "audio"},
    generation_config={"speech_config": [{"voice": "Kore"}]},
)

with open("out.wav", "wb") as f:
    f.write(base64.b64decode(interaction.output_audio.data))

Источник: Документация по генерации речи

Пример на curl

curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -d '{
    "model": "gemini-3.8-flash-tts",
    "input": [{
      "type": "user_input",
      "content": [{
        "type": "text",
        "text": "Have a wonderful day!",
        "annotations": [{ "type": "speech_metadata", "style": "cheerful and friendly" }]
      }]
    }],
    "response_format": { "type": "audio" },
    "generation_config": { "speech_config": [{ "voice": "Kore" }] }
  }' | jq -r '[.steps[] | select(.type=="model_output") | .content[] | select(.type=="audio")] | last | .data' \
     | base64 --decode > out.wav

Источник: Документация по генерации речи

Диалог двух спикеров и встроенные метки

Один раз назовите каждого спикера в speech_config, затем пометьте каждую реплику её спикером и, при желании, стилем. Короткие события вставляются прямо в текст: <laughs>, <sigh>, <gasp>, <short pause>, а также звуки поддержки собеседника вроде |mhm| или |yeah|.

# Two speakers in one request (the most a request allows with prebuilt voices)
generation_config={"speech_config": {"speakers": [
    {"speaker": "Host", "voice": "Kore"},
    {"speaker": "Guest", "voice": "Puck"},
]}}

input=[{"type": "user_input", "content": [
    {"type": "text", "text": "Welcome back to the show. <laughs> Big week.",
     "annotations": [{"type": "speech_metadata", "speaker": "Host", "style": "warm, upbeat"}]},
    {"type": "text", "text": "|mhm| It really was.",
     "annotations": [{"type": "speech_metadata", "speaker": "Guest", "style": "relaxed"}]},
]}]

Текст читается как дословный сценарий, поэтому ремарки, вписанные в сам текст, могут быть произнесены вслух. Держите их в style.

Источник: Документация по генерации речи

Источник: Анонс TTS от Google

Голоса, создание голоса и клонирование

• 30 готовых голосов, например Kore, Puck, Zephyr и Charon, а также расширенная библиотека из 2,000+ продакшн-голосов с региональными акцентами (мексиканский испанский, квебекский французский, шотландский английский и другие).
• Создание голоса: опишите голос обычными словами (роль, акцент, характер) и сохраните его для повторного использования.
• Клонирование голоса: копия по образцу длиной около 30 секунд, с проверкой согласия, водяными знаками SynthID и метаданными C2PA.
• В AI Studio клонирование голоса недоступно в Иллинойсе, Техасе, ЕЭЗ, Великобритании, Швейцарии и Индии.

Источник: Анонс TTS от Google

Источник: Страница модели Gemini 3.8 Flash TTS

Насколько она хороша?

Google ссылается на Voice Design Benchmark от Hume AI, где Flash TTS занимает первое место с 71.4 баллами в общем зачёте и 60.8 по моделированию акцента, а также первое и второе места (Flash, затем Flash-Lite) в общем индексе качества Hume. В слепых тестах Voice Arena обе модели входят в число лидеров для японского, бразильского португальского, вьетнамского, арабского, мексиканского испанского и хинди. Это результаты, которые приводит сам вендор; прежде чем выбирать, послушайте озвучку своего сценария.

Источник: Анонс TTS от Google

Flash TTS или Flash-Lite TTS?

• Flash TTS. Аудиокниги, подкасты, реклама и игровые персонажи — там, где подача важнее цены.
• Flash-Lite TTS. Голосовые агенты, дубляж и массовые уведомления, примерно на треть дешевле за час.
• Ни та, ни другая. Живые двусторонние голосовые разговоры: для них используйте модели Google Live API, TTS-модели это не поддерживают.

Руководство по API Gemini 3.8 Flash · Цены всех моделей

Источник: Анонс TTS от Google

Источник: Страница модели Gemini 3.8 Flash TTS

Независимое руководство, не связанное с Google или Anthropic. Цены и результаты бенчмарков меняются — перед тем как закладывать бюджет, проверьте официальные страницы по ссылкам.