تولید کردن صدا بااستفاده از Gemini API

می‌توانید انواع زیر را تولید کنید:

مقایسه بین «تبدیل متن به گفتار» و Live API

هم مدل‌های نوشتار به گفتار (TTS) و هم مدل‌های Live API مدل‌های تولید گفتار با تأخیر کم هستند که می‌توانند برای صداها و زبان‌های مختلف پاسخ پیکربندی شوند. بااین‌حال، آن‌ها موارد استفاده بسیار متفاوتی دارند.

  • تولید نوشتار به گفتار (TTS) یک تعامل یک‌طرفه درخواست-پاسخ است (نوشتار ورودی، صدا خروجی). این ویژگی برای سناریوهایی که نیاز به قرائت دقیق نوشتار ارائه‌شده با کنترل دقیق بر سبک و صدا دارند، مانند روایت پادکست، کتاب‌های صوتی، یا خواندن مقالات به‌صورت بلند، طراحی شده است.

  • نسل Live API از جاری‌سازی دوطرفه برای مکالمه‌های صوتی هم‌زمان (صدا به داخل، صدا به خارج) پشتیبانی می‌کند. این مدل در بافت‌های مکالمه پویا که مدل تصمیم می‌گیرد کدام گفتار را برگرداند عالی است. توجه داشته باشید که جدیدترین مدل‌های Live API از ورودی ویدیو و تصویر نیز پشتیبانی می‌کنند.