Как генерировать аудио с помощью Gemini API

Вы можете генерировать следующие типы аудио:

Сравнение TTS и Live API

Модели преобразования текста в речь (TTS) и модели Live API – это модели генерации речи с низкой задержкой, которые можно настроить для разных голосов и языков. Однако они служат для разных целей.

  • Синтез речи – это однонаправленное взаимодействие по принципу "запрос – ответ" (текст на входе, аудио на выходе). Она подходит для ситуаций, когда требуется точное воспроизведение предоставленного текста с детальным контролем над стилем и звуком, например для озвучивания подкастов, аудиокниг или чтения статей вслух.

  • Live API generation поддерживает двунаправленную потоковую передачу для голосовых разговоров в реальном времени (голосовой ввод и вывод). Она отлично подходит для динамических разговоров, в которых модель сама решает, что ответить. Обратите внимание, что последние модели Live API также поддерживают видео и изображения.