Gerar áudio usando a API Gemini

É possível gerar os seguintes tipos de áudio:

• Gere voz com base em entradas de texto usando os modelos de conversão de texto em voz (TTS, na sigla em inglês) do Gemini.

• Gere saída de áudio com streaming bidirecional usando o Gemini Live API.

Comparação entre a TTS e o Live API

Os modelos de conversão de texto em voz (TTS) e Live API são modelos de baixa latência que geram fala e podem ser configurados para diferentes vozes e idiomas de resposta. No entanto, eles atendem a casos de uso muito diferentes.

• A geração de conversão de texto em voz (TTS) é uma interação unidirecional de solicitação-resposta (entrada de texto, saída de áudio). Ele é personalizado para cenários que exigem a recitação exata do texto fornecido com controle detalhado sobre o estilo e o som, como narração de podcasts, audiolivros ou leitura de artigos em voz alta.

• A geração do Live API é compatível com o streaming bidirecional para conversas por voz em tempo real (entrada e saída de voz). Ele se destaca em contextos de conversação dinâmicos em que o modelo decide a fala aplicável a ser retornada. Os modelos Live API mais recentes também aceitam entradas de vídeo e imagem.