Gemini API ব্যবহার করে অডিও জেনারেট করা

আপনি নিম্নলিখিত ধরনের অডিও জেনারেট করতে পারবেন:

Live API এবং TTS-এর মধ্যে তুলনা

টেক্সট-টু-স্পিচ (TTS) মডেল এবং Live API মডেল, দুটিই হল কম-লেটেন্সি, স্পিচ-জেনারেটিং মডেল যেগুলি বিভিন্ন রেসপন্স ভয়েস এবং ভাষার জন্য কনফিগার করা যেতে পারে। তবে, এগুলি খুব আলাদা আলাদা ক্ষেত্রে ব্যবহার করা হয়।

  • টেক্সট-টু-স্পিচ (TTS) জেনারেশন হল একটি একমুখী, অনুরোধ-প্রতিক্রিয়া ইন্টার‍্যাকশন (টেক্সট ইন, অডিও আউট)। এটি এমন পরিস্থিতির জন্য তৈরি করা হয়েছে যেখানে স্টাইল এবং সাউন্ডের ওপর সূক্ষ্ম নিয়ন্ত্রণ সহ প্রদত্ত টেক্সটের সঠিক আবৃত্তি প্রয়োজন, যেমন পডকাস্ট বর্ণনা, অডিওবুক বা জোরে জোরে নিবন্ধ পড়া।

  • Live API জেনারেশন রিয়েল-টাইম ভয়েস কথোপকথনের (ভয়েস ইন, ভয়েস আউট) জন্য দ্বিমুখী স্ট্রিমিং সাপোর্ট করে। এটি ডাইনামিক কথোপকথনের প্রসঙ্গে দারুণ কাজ করে যেখানে মডেল প্রাসঙ্গিক স্পিচ ফিরিয়ে দেওয়ার সিদ্ধান্ত নেয়। মনে রাখবেন, লেটেস্ট Live API মডেলে ভিডিও ও ইমেজ ইনপুটও কাজ করে।