Genera audio con la API de Gemini

Puedes generar los siguientes tipos de audio:

Comparación entre TTS y Live API

Tanto los modelos de texto a voz (TTS) como los de Live API son modelos de baja latencia que generan voz y que se pueden configurar para diferentes idiomas y voces de respuesta. Sin embargo, se usan en casos muy diferentes.

  • La generación de texto a voz (TTS) es una interacción unidireccional de solicitud y respuesta (entrada de texto, salida de audio). Está adaptado para situaciones que requieren una recitación exacta del texto proporcionado con un control detallado del estilo y el sonido, como la narración de podcasts, audiolibros o la lectura de artículos en voz alta.

  • La generación Live API admite la transmisión bidireccional para conversaciones de voz en tiempo real (entrada y salida de voz). Se destaca en contextos conversacionales dinámicos en los que el modelo decide el discurso aplicable que se debe mostrar. Ten en cuenta que los modelos de Live API más recientes también admiten entradas de video y de imagen.