# Gemini 3.8 Flash TTS API: модель, цена за минуту и первый запрос > Flash-Lite TTS заменяет 3.1 preview примерно за $0,54 в час аудио, Flash TTS — $0,81; с 2027 года цены удваиваются. Ниже рабочий запрос, стриминг и миграция. - URL: https://blog.laozhang.ai/ru/posts/gemini-3-8-flash-tts-api - Published: 2026-09-30 - Updated: 2026-09-30 - Author: LaoZhang AI Team (https://blog.laozhang.ai/ru/about) - Category: Руководства по API - Tags: Gemini 3.8 Flash TTS, Gemini API, Синтез речи, Text-to-Speech, Google AI --- Gemini 3.8 Flash TTS (`gemini-3.8-flash-tts`) и Gemini 3.8 Flash-Lite TTS (`gemini-3.8-flash-lite-tts`) стали стабильными моделями Gemini API 22 сентября 2026 года по [журналу изменений](https://ai.google.dev/gemini-api/docs/changelog); публичный анонс в блоге Google вышел 23 сентября. Это модели «текст на входе, аудио на выходе»: они читают ровно тот текст, который вы передали, а стиль подачи задаётся отдельным полем. Для большинства задач ответ на вопрос «какую брать» короткий: **Flash-Lite TTS — замена `gemini-3.1-flash-tts-preview` для озвучки, голосовых ботов и функции «прочитать вслух»; Flash TTS — для аудиокниг, сцен с двумя актёрами и сложной актёрской подачи.** Обе вызываются одним и тем же запросом, поэтому переключиться можно заменой одной строки. Стоимость считается от токенов аудио по официальному правилу «25 токенов на секунду»: час озвучки в стандартном режиме стоит около $0,54 на Flash-Lite и $0,81 на Flash по тарифу до конца 2026 года, а с 1 января 2027 года эти суммы удваиваются. Формула и таблица по режимам — ниже. Код повторяет форму официальных примеров Google и рассчитан на проверку в вашем проекте; замеров задержки и субъективного качества звучания в нём нет. Для читателя из России есть отдельное условие: Россия не входит в список стран, где доступны Gemini API и Google AI Studio, и это не зависит от языка текста, который вы озвучиваете. Как это влияет на оплату и получение ключа — в разделе про доступ. ## Какую модель брать: правило выбора Обе модели поддерживают одиночного спикера, диалог на два голоса, Voice design и Voice replication, принимают до 8 192 входных токенов и автоматически определяют язык текста; русский есть в списках обеих. Разница — в задачах, под которые они настроены, и в цене: | | Gemini 3.8 Flash TTS | Gemini 3.8 Flash-Lite TTS | |---|---|---| | ID модели | `gemini-3.8-flash-tts` | `gemini-3.8-flash-lite-tts` | | Позиционирование Google | флагман для творческих задач: максимальная точность тембра, актёрская нюансировка, региональные акценты | быстрая и дешёвая рабочая лошадка: массовая генерация, низкая задержка | | Для чего рекомендована | аудиокниги, студийная озвучка, сложные диалоги на два голоса, обилие смеха/вздохов, трудное произношение, диалекты | голосовые агенты и боты поддержки, «прочитать вслух», массовый дубляж, репликация голоса, бытовая озвучка одним голосом | | Языков | более 130 | 101 | | Кого заменяет | новый творческий уровень | официальная замена `gemini-3.1-flash-tts-preview` | | Стандартный тариф 2026, выход | $9,00 за 1 млн токенов аудио ($0,81 в час) | $6,00 за 1 млн токенов ($0,54 в час) | Практическое правило из руководства разработчика Google: по умолчанию берите Flash-Lite TTS как замену 3.1 preview и переходите на Flash TTS, когда нужна студийная актёрская подача, диалог с перебиваниями и поддакиваниями, работа с диалектом или длинное повествование без «дрейфа» голоса. Приём с наложенными реакциями (`|реакция|` в тексте одного спикера) работает лучше именно на Flash TTS. Google приводит и собственные цифры качества: Flash TTS занимает первое место в Voice Design Benchmark от Hume AI (71,4 балла), Flash TTS и Flash-Lite — первые два места в их же Overall Quality Index. В слепых сравнениях на Voice Arena модели вошли в топ по японскому, бразильскому португальскому, вьетнамскому, арабскому (MSA), мексиканскому испанскому и хинди. Русский в этом перечне не назван — это не оценка качества, а просто отсутствие выделенного результата. Все цифры — из анонса Google, независимой проверки они не проходили. Когда TTS не подходит вовсе: если вам нужен разговор в реальном времени, где пользователь говорит голосом, а модель отвечает голосом и её можно перебить, это задача Live API, а не TTS. У TTS-моделей Live API не поддерживается, равно как function calling, структурированный вывод, поиск и «мышление». Подробности двунаправленного режима — в статье [Gemini 3.1 Flash Live API: model ID, цена и быстрый старт](https://blog.laozhang.ai/ru/posts/gemini-3-1-flash-live-api). Обратная задача, распознавание речи, закрыта отдельной моделью: [Gemini 3.5 Transcribe API](https://blog.laozhang.ai/ru/posts/gemini-3-5-transcribe-api). ## Первый запрос: один голос, WAV на диск Запросы идут через Interactions API (`POST https://generativelanguage.googleapis.com/v1beta/interactions`, ключ в заголовке `x-goog-api-key`). Три части запроса, которые нужно понимать: - `text` — дословный транскрипт. Модель произнесёт всё, что там написано, кроме тегов в угловых скобках и реакций между вертикальными чертами. Режиссёрских указаний в текст не пишите. - `annotations` с `type: "speech_metadata"` — стиль подачи (`style`) и, для диалогов, имя спикера (`speaker`). - `generation_config.speech_config` — какой голос: предустановленное имя вроде `Kore`, ID из расширенной библиотеки, `voice_...` из Voice design или репликации либо `voicekey_...`. Python (SDK `google-genai`; ключ берётся из переменной окружения `GEMINI_API_KEY`): ```python import base64 from google import genai client = genai.Client() interaction = client.interactions.create( model="gemini-3.8-flash-lite-tts", input=[{ "type": "user_input", "content": [{ "type": "text", "text": "Добрый день! Сегодня разберём, как работает синтез речи.", "annotations": [{ "type": "speech_metadata", "style": "warm and calm", }], }], }], response_format={"type": "audio"}, generation_config={ "speech_config": [ {"voice": "Kore"}, ] }, ) with open("out.wav", "wb") as f: f.write(base64.b64decode(interaction.output_audio.data)) ``` То же через REST: ```bash curl -X POST "https://generativelanguage.googleapis.com/v1beta/interactions" \ -H "x-goog-api-key: $GEMINI_API_KEY" \ -H "Content-Type: application/json" \ -d '{ "model": "gemini-3.8-flash-lite-tts", "input": [{ "type": "user_input", "content": [{ "type": "text", "text": "Добрый день! Сегодня разберём, как работает синтез речи.", "annotations": [{ "type": "speech_metadata", "style": "warm and calm" }] }] }], "response_format": { "type": "audio" }, "generation_config": { "speech_config": [ { "voice": "Kore" } ] } }' | jq -r '[.steps[] | select(.type=="model_output") | .content[] | select(.type=="audio")] | last | .data' \ | base64 --decode > out.wav ``` Что приходит в ответ. Для обычного (не потокового) запроса — готовый WAV: 24 кГц, моно, 16-битный PCM с RIFF-заголовком, закодированный в base64. В Python и JavaScript SDK его отдаёт свойство `interaction.output_audio` (последний аудиоблок ответа); в сыром JSON он лежит в `steps[].content[].data`. Байты после декодирования пишутся в `.wav` как есть — никакой заголовок добавлять не нужно. Это главное отличие от 3.1 preview и 2.5, которые по умолчанию возвращали «голый» PCM; если оставить старую обёртку, файл получит два заголовка. ![Схема запроса к Gemini 3.8 TTS: поля text, speech_metadata и speech_config, обычный ответ в WAV 24 кГц и потоковый ответ в сыром PCM без заголовка](https://blog.laozhang.ai/posts/ru/gemini-3-8-flash-tts-api/img/request-anatomy.webp) Теги в угловых скобках (пауза, вздох, смех) остаются английскими и для русского текста — это прямое указание документации. Для поля `style` примеров на других языках Google не даёт; надёжнее писать и его по-английски, как в примерах выше. Официальный JavaScript-пример на `@google/genai` повторяет ту же структуру один в один (`client.interactions.create`, затем `Buffer.from(interaction.output_audio.data, 'base64')`), так что переносится с Python без изменений структуры. А вот Go-примеры на странице документации по состоянию на 30 сентября 2026 года всё ещё написаны под `gemini-3.1-flash-tts-preview` с инструкцией «Say cheerfully:» прямо в тексте и ручной сборкой WAV-заголовка — для 3.8 их копировать нельзя, адаптируйте от REST-формы. ## Диалог на два голоса в одном запросе Для подкаста или сцены с двумя персонажами в `speech_config` передаётся объект с `mode: "conversational"` и списком `speakers`, а каждая реплика идёт отдельным элементом `content` с обязательным `speaker` в `speech_metadata`: ```python import base64 from google import genai client = genai.Client() interaction = client.interactions.create( model="gemini-3.8-flash-tts", input=[{ "type": "user_input", "content": [ { "type": "text", "text": "Ну что, ты дослушал вчерашний выпуск? |ага| Там же в конце самое интересное.", "annotations": [{ "type": "speech_metadata", "speaker": "Anna", "style": "cheerful and friendly", }], }, { "type": "text", "text": " Дослушал. Честно говоря, не ожидал такого финала.", "annotations": [{ "type": "speech_metadata", "speaker": "Ivan", "style": "calm and relaxed", }], }, ], }], response_format={"type": "audio"}, generation_config={ "speech_config": { "mode": "conversational", "speakers": [ {"speaker": "Anna", "voice": "Aoede"}, {"speaker": "Ivan", "voice": "Puck"}, ], } }, ) with open("dialog.wav", "wb") as f: f.write(base64.b64decode(interaction.output_audio.data)) ``` Три ограничения, которые здесь важны: 1. **В одном запросе не больше двух спикеров, и только с предустановленными голосами.** Голоса из Voice design или репликации в `speakers` не передаются. 2. **`speaker` обязателен в каждой реплике** и должен совпадать с одним из настроенных имён. Реплика без спикера — ошибка схемы, а старый приём «Speaker 1: текст» внутри строки теперь будет прочитан вслух. 3. **Реакции слушателя** пишутся между вертикальными чертами внутри реплики говорящего — 1–3 слова (`|ага|`, `|правда?|`, `|подожди|`); второй голос произносит их фоном, не прерывая первого. Несколько таких вставок в одной строке дают наложение речи, например хоровой отсчёт. Документация отмечает, что это работает лучше на Flash TTS. Если вам нужен диалог собственных голосов, каждая реплика синтезируется отдельным запросом, а потом склеивается. Поскольку обычный ответ — WAV с 44-байтовым заголовком, запросите сырой PCM (`"response_format": {"type": "audio", "mime_type": "audio/l16"}`) или отрежьте первые 44 байта каждого фрагмента перед конкатенацией кадров 24 кГц. В Python это выглядит так: ```python import wave chunks = [b1, b2, b3] # сырые PCM-байты каждой реплики (audio/l16, 24 кГц, моно) with wave.open("dialog.wav", "wb") as w: w.setnchannels(1) w.setsampwidth(2) w.setframerate(24000) w.writeframes(b"".join(chunks)) ``` ## Стриминг: что приходит и как отдать в плеер Для голосового агента, где первые слова должны звучать до конца генерации, добавьте `stream=True`. Здесь формат по умолчанию другой: вместо WAV приходят фрагменты «голого» 16-битного PCM (`audio/l16`, 24 кГц, моно) без заголовков, чтобы их можно было играть и склеивать непрерывно: ```python import base64 from google import genai client = genai.Client() stream = client.interactions.create( model="gemini-3.8-flash-lite-tts", input=[{ "type": "user_input", "content": [{ "type": "text", "text": "Заказ принят. Курьер будет у вас примерно через сорок минут.", "annotations": [{"type": "speech_metadata", "style": "polite and clear"}], }], }], response_format={"type": "audio"}, generation_config={"speech_config": [{"voice": "Charon"}]}, stream=True, ) with open("out.pcm", "wb") as f: for event in stream: if event.event_type == "step.delta" and event.delta.type == "audio": f.write(base64.b64decode(event.delta.data)) ``` Каждый фрагмент — событие `step.delta` с `delta.type == "audio"` и base64 в `delta.data`. Что с ним делать дальше: - **Проиграть на месте.** Сырому PCM нужно сообщить параметры: например, `ffplay -f s16le -ar 24000 -ac 1 out.pcm`. Веб-плеер через Web Audio API получает те же 24 000 Гц, один канал, знаковые 16-битные сэмплы. - **Сохранить в файл.** Соберите фрагменты в WAV через `wave`, как в примере выше, — это единственный случай в 3.8, когда заголовок добавляете вы. - **Отдать в телефонию.** Через `response_format.mime_type` доступны `audio/mulaw` (8-битный G.711 μ-law, североамериканская и японская телефония/IVR) и `audio/alaw` (европейская телефония); частоту дискретизации задаёт `sample_rate` — 24000, 16000 или 8000. | Формат | `mime_type` | Когда по умолчанию | Что внутри | |---|---|---|---| | WAV | `audio/wav` | обычный запрос | 16-бит PCM, моно, 24 кГц, RIFF-заголовок | | Сырой PCM | `audio/l16` | стриминг | те же сэмплы без заголовка | | μ-law | `audio/mulaw` | только по запросу | 8-бит G.711 | | A-law | `audio/alaw` | только по запросу | 8-бит G.711 | Для агентов Google советует делать один TTS-запрос на каждую реплику по мере прихода текста от языковой модели, оставлять `style` пустым или одной короткой постоянной строкой на весь разговор и не пересылать описание персонажа в каждом запросе — личность голоса должен нести сам выбранный голос. ## Как управлять подачей: style, теги и паузы Правило разделения простое: то, что длится всю реплику, идёт в `speech_metadata.style`; то, что случается в конкретной точке, — тегом внутри текста. | Что нужно | Куда писать | Примеры | |---|---|---| | Эмоция, темп, громкость, манера на всю реплику | `style` | `"whispered urgently"`, `"speaking slowly"`, `"sarcastic"`, `"out of breath"` | | Смех, вздох, кашель, пауза в конкретном месте | тег в тексте | смех, вздох, короткая и длинная пауза | | Логическое ударение | ЗАГЛАВНЫЕ буквы слова | «Это ОЧЕНЬ важный момент!» | | Сложное имя или термин | транскрипция МФА между косыми чертами | `/niːv/` | Пример русской реплики с тегами — теги остаются английскими: ```text Так... давайте посмотрим ещё раз. Кажется, я знаю, где ошибка. ``` Рекомендуемый список тегов в документации: дыхание (breath, heavy breath, exhales, pant, sigh), смех (laugh, chuckle, giggle, snicker, cackle), реакции (gasp, cough, sneeze, throat-clearing, snort, tsk, argh), звуки (sob, cry, whimper, groan, growl, yawn, scream, shout), паузы (short pause, long pause). Звуковые эффекты вроде аплодисментов или ударов тегами не описываются — только человеческие звуки. Паузы также задаются пунктуацией: многоточия и тире дают естественные заминки. Что не работает или вредит по документации Google: - **Длинные описания персонажа в `style`** («Audio Profile», «Director's Notes» из эпохи 3.1) — названы самой частой причиной дрейфа голоса. Персонаж создаётся один раз через Voice design, а `style` остаётся коротким или пустым. - **Мета-инструкции** вроде «не меняй тембр», «держи голос ровно» — увеличивают дрейф, а не уменьшают. - **Возраст, пол, имя, постоянный акцент в `style`** — это свойства голоса, а не реплики; их задают выбором голоса из библиотеки или в Voice design. - **Смена эмоции посередине реплики** — делится на несколько частей `content` с разными `style` для одного и того же спикера. Порядок работы, который советует руководство: сначала синтезируйте текст с пустым `style` (большинству реплик режиссура не нужна — модель читает пунктуацию и контекст), затем добавляйте короткие подсказки только тем репликам, где нужно изменить подачу, и переиспользуйте одну и ту же строку для одинаковой манеры. Самый естественный результат даёт текст, написанный как реальная устная речь, с заминками и «э-э… ну, в общем». ## Голоса: предустановленные, библиотека, Voice design и репликация Четыре способа выбрать голос, и все четыре принимают обе модели: 1. **30 предустановленных студийных голосов** — `Zephyr`, `Puck`, `Charon`, `Kore`, `Fenrir`, `Leda`, `Orus`, `Aoede`, `Callirrhoe`, `Autonoe`, `Enceladus`, `Iapetus`, `Umbriel`, `Algieba`, `Despina`, `Erinome`, `Algenib`, `Rasalgethi`, `Laomedeia`, `Achernar`, `Alnilam`, `Schedar`, `Gacrux`, `Pulcherrima`, `Achird`, `Zubenelgenubi`, `Vindemiatrix`, `Sadachbia`, `Sadaltager`, `Sulafat`. У каждого в документации одно слово характера: Kore — «твёрдый», Puck — «бодрый», Charon — «информативный», Sulafat — «тёплый». 2. **Расширенная библиотека голосов (Extended Voice Library)** — запрашивается через `client.voices.list()` или `GET /v1beta/voices` с фильтрами `language_code`, `region_code`, `accent`, `gender`, `pitch`, `persona`, `contexts`, `type` и текстовым `search`; по умолчанию 50 записей на страницу, максимум 1 000. В анонсе библиотека названа «2 000+ голосов», в журнале изменений — «150+ предустановленных и пользовательских»; точное число лучше не закладывать в продукт, а проверить фильтром по нужному языку. Нужны SDK `google-genai` 2.25.0+ или `@google/genai` 2.24.0+. 3. **Voice design** — голос по текстовому описанию: `client.voices.create(store=True, voice={"model": "gemini-3.8-flash-tts", "type": "prompted", "display_name": ..., "gender": ..., "language_code": ..., "prompted": {"input": "описание"}})`. В ответ приходят постоянный `voice_...` и пробный `sample_audio` (WAV в base64), чтобы сразу прослушать. Описывайте, кто говорит — возраст, тембр, высоту, акцент, ритм, — а не сиюминутную эмоцию. 4. **Voice replication** (в разговорном языке «клонирование голоса») — `type: "replicated"` с двумя записями одного взрослого человека: `source_audio` — 10–30 секунд чистой речи, `consent_audio` — тот же голос произносит дословную фразу согласия на одном из 30 поддерживаемых языков. Для русского фраза есть, локаль `ru-RU`: > Я являюсь владельцем этого голоса и даю согласие Google на использование этого голоса для создания модели синтетического голоса. Обе записи желательно делать на одном микрофоне в одной комнате и привести к WAV 24 кГц моно 16 бит — иначе проверка совпадения голоса может не пройти. Всё аудио, сгенерированное моделями Gemini, несёт водяной знак SynthID. Квоты на пользовательские голоса: **200 сохранённых голосов на проект** (`store=True`, общий счётчик для Voice design и репликации) со сроком хранения **1 год**; репликация с `store=False` возвращает самодостаточный ключ `voicekey_...`, который хранится у вас и живёт **7 дней**. В `speech_config` любой из этих идентификаторов передаётся так же, как имя предустановленного голоса. Одна оговорка из анонса: репликация голоса через интерфейс AI Studio недоступна в Иллинойсе, Техасе, ЕЭЗ, Великобритании, Швейцарии и Индии. Про путь через API в этой сноске ничего не сказано. ## Сколько это стоит: от токенов к минутам и часам Google тарифицирует TTS за токены, а не за символы или минуты, и даёт правило пересчёта в сноске к прайс-листу: **25 токенов аудио на секунду**. Отсюда: - 1 минута аудио = 1 500 токенов выхода; - 1 час = 90 000 токенов; - стоимость часа = 90 000 × цена за 1 млн токенов / 1 000 000, то есть цена за миллион, делённая примерно на 11,1. ![Пересчёт от 25 токенов в секунду к 90 000 токенов в час и цене часа аудио: $0,54 на Flash-Lite TTS и $0,81 на Flash TTS в 2026 году, вдвое больше с 2027-го, против $1,80 у 3.1 preview](https://blog.laozhang.ai/posts/ru/gemini-3-8-flash-tts-api/img/cost-per-hour.webp) Текст на входе тарифицируется отдельно, но при $0,50 за миллион токенов это копейки: минута речи — это порядка 150–200 токенов текста, около $0,0001, часовая аудиокнига добавит меньше цента. В расчётах ниже учтено только аудио; кэширование, повторные запросы и неудачные генерации не включены, а реальная длительность зависит от темпа, который выберет модель. | Режим | Модель | 2026: за минуту / за час | С 1 января 2027: за минуту / за час | |---|---|---|---| | Standard | Flash TTS ($9,00 → $18,00 за 1 млн) | $0,0135 / $0,81 | $0,027 / $1,62 | | Standard | Flash-Lite TTS ($6,00 → $12,00) | $0,009 / $0,54 | $0,018 / $1,08 | | Batch или Flex | Flash TTS ($4,50 → $9,00) | $0,00675 / $0,405 | $0,0135 / $0,81 | | Batch или Flex | Flash-Lite TTS ($3,00 → $6,00) | $0,0045 / $0,27 | $0,009 / $0,54 | | Priority | Flash TTS ($16,20 → $32,40) | $0,0243 / $1,458 | $0,0486 / $2,916 | | Priority | Flash-Lite TTS ($10,80 → $21,60) | $0,0162 / $0,972 | $0,0324 / $1,944 | Цены — в долларах с [официальной страницы тарифов](https://ai.google.dev/gemini-api/docs/pricing), без налогов и комиссий за конвертацию. Batch и Flex вдвое дешевле Standard, Priority — в 1,8 раза дороже. Вход во всех режимах стоит $0,50 (Standard), $0,25 (Batch, Flex) и $0,90 (Priority) за миллион токенов текста в 2026 году и удваивается в 2027-м; кэширование контекста — $0,125 за миллион в 2026 году плюс $0,50 за миллион токенов в час хранения. Пример для ориентира: аудиокнига на 10 часов в стандартном режиме обойдётся примерно в $5,40 на Flash-Lite или $8,10 на Flash в 2026 году, через Batch — $2,70 и $4,05, а в 2027 году каждая сумма удвоится. Для сравнения, старая `gemini-3.1-flash-tts-preview` стоит $20,00 за миллион токенов аудио, то есть $1,80 в час — новая Flash-Lite дешевле в три с лишним раза, а Flash — в 2,2 раза при более высоком классе; `gemini-2.5-flash-preview-tts` ($10,00 за миллион, $0,90 в час) тоже дороже обеих. Бесплатный уровень. В режимах Standard и Priority обе модели на бесплатном уровне помечены как «Free of charge», но с условием: данные бесплатного уровня Google использует для улучшения продуктов, на платном — нет. Batch и Flex бесплатно недоступны. Сколько именно запросов и токенов в минуту разрешено 3.8 TTS, страница лимитов не публикует — там есть только строки для 2.5 TTS; актуальные значения для своего проекта смотрите в AI Studio. Как устроены лимиты и почему все ключи проекта делят одну квоту — в статье [Gemini API Free Tier Rate Limits 2026: что ещё бесплатно и где смотреть live quotas](https://blog.laozhang.ai/ru/posts/gemini-api-free-tier). Ещё одно ограничение платного уровня — лимит расходов за скользящие 10 минут: $10 на Tier 1 (привязан платёжный аккаунт), $50 на Tier 2 (оплачено $100 и прошло 3 дня), $200 на Tier 3 ($1 000 и 30 дней). При превышении приходит `429 RESOURCE_EXHAUSTED`. На Tier 1 в стандартном режиме это около 12 часов аудио Flash TTS за 10 минут — для массового пакетного производства уже может стать узким местом. ## Миграция с 3.1 preview и 2.5 TTS: пять ломающих изменений Flash-Lite TTS — официальная замена `gemini-3.1-flash-tts-preview`, а сама 3.1 в списке моделей помечена как устаревшая preview-модель с рекомендацией перейти на 3.8. Для `gemini-2.5-flash-preview-tts` и `gemini-2.5-pro-preview-tts` причина переезда другая: с 18 сентября 2026 года доступ к моделям 2.5 ограничен пользователями, которые активно применяли их раньше; модели не сняты с обслуживания, но новые проекты их не получат. Пять изменений, которые ломают старый код: **1. Текст стал дословным транскриптом.** Указания вида «Say cheerfully: Привет!» или «Speaker 1: Привет!» внутри строки модель может прочитать вслух. ```text # было (3.1 preview / 2.5) input: "Say cheerfully: Have a wonderful day!" # стало (3.8) "text": "Have a wonderful day!", "annotations": [{ "type": "speech_metadata", "style": "cheerful and friendly" }] ``` **2. Теги в угловых скобках — только для точечных событий.** Смех, вздох, кашель, дыхание, короткая пауза остаются в тексте; шёпот, темп, «сарказм» и любые звуковые эффекты (аплодисменты, удары) из тегов уходят: манера — в `style`, эффекты — не поддерживаются. **3. В диалоге спикер указывается в каждой реплике.** Старый формат одной строки с именами уходит в структуру: ```text # было input: "TTS the following conversation between Joe and Jane:\nJoe: How's it going today Jane?\nJane: Not too bad, how about you?" # стало content: [ { "text": "How's it going today Jane?", "annotations": [{ "type": "speech_metadata", "speaker": "Joe" }] }, { "text": "Not too bad, how about you?", "annotations": [{ "type": "speech_metadata", "speaker": "Jane" }] } ] speech_config: { "mode": "conversational", "speakers": [ { "speaker": "Joe", "voice": "Puck" }, { "speaker": "Jane", "voice": "Kore" } ] } ``` **4. Длинные «Audio Profile» и «Director's Notes» заменяются голосом из Voice design.** Абзацы с описанием персонажа перед транскриптом были нормой для 3.1; в 3.8 они названы главной причиной дрейфа. Опишите персонажа один раз в `voices.create`, получите `voice_...` и передавайте его в `speech_config` с пустым или минимальным `style`. **5. Обычный ответ теперь WAV, а не сырой PCM.** Если код оборачивал байты в заголовок через модуль `wave` или ffmpeg, уберите обёртку и пишите байты напрямую в `.wav`. Если конвейер ожидает именно «голый» PCM, μ-law или A-law, явно задайте `response_format` с `mime_type` `audio/l16`, `audio/mulaw` или `audio/alaw`. Стриминга это не касается — там PCM остался по умолчанию. Порядок миграции: замените ID модели на `gemini-3.8-flash-lite-tts`, перенесите режиссуру в `speech_metadata`, уберите обёртку WAV, прогоните регрессионный набор с пустым `style` — и только потом добавляйте стилистику обратно там, где она действительно изменилась. Если в результате не хватает выразительности, переключитесь на `gemini-3.8-flash-tts`: схема запроса одна. ## Лимиты и границы отказа Сводка жёстких ограничений со страниц моделей и руководства, чтобы не выяснять их по ошибкам API: | Ограничение | Значение | Что это значит на практике | |---|---|---| | Входных токенов | 8 192 | длинный текст режется на части заранее; для аудиокниги — по главам или сценам | | Выходных токенов | 16 384 (лимит обслуживания Gemini API) | по правилу 25 токенов/с это около 655 секунд, то есть примерно 10,9 минуты аудио на запрос — расчёт, документация минуты не называет | | Спикеров в одном запросе | до 2, только предустановленные голоса | пользовательские голоса в диалоге — по одной реплике на запрос со склейкой | | Сохранённых голосов | 200 на проект, 1 год | общий счётчик для Voice design и репликации | | Ключ `voicekey_...` | 7 дней | хранится у вас, для сценариев без серверного хранения биометрии | | Вход / выход | только текст / только аудио | никаких изображений, файлов, инструментов, структурированного вывода, Live API | | Версии | только `gemini-3.8-flash-tts` и `gemini-3.8-flash-lite-tts` | датированных снимков нет; последнее обновление — сентябрь 2026 года | | Режимы потребления | Standard, Batch, Flex, Priority; кэширование | Batch и Flex — без бесплатного уровня | Отдельно про Google Cloud: на странице Gemini-TTS в документации Cloud Text-to-Speech по состоянию на 30 сентября 2026 года перечислены только `gemini-3.1-flash-tts-preview`, `gemini-2.5-flash-tts`, `gemini-2.5-flash-lite-preview-tts` и `gemini-2.5-pro-tts` — записи о 3.8 там нет. В анонсе доступ для предприятий через Gemini Enterprise обозначен как «скоро». Если ваш стек живёт на Vertex AI, на 30 сентября 2026 года путь к 3.8 TTS — только Gemini API с ключом AI Studio. ## Доступ из России: что даёт язык и что даёт регион Обе модели поддерживают русский текст и определяют язык сами, а фраза согласия для репликации голоса есть на `ru-RU`. Но это свойство модели, а не условия доступа. [Список стран и территорий](https://ai.google.dev/gemini-api/docs/available-regions), где доступны Gemini API и Google AI Studio, по состоянию на 30 сентября 2026 года Россию не содержит; для остальных регионов та же страница предлагает Gemini API в Gemini Enterprise Agent Platform, то есть облачный путь — а Google Cloud не принимает новые регистрации из России с 10 марта 2022 года. Дополнительные условия той же страницы: возраст от 18 лет и проверка возраста аккаунта; для Colab регион определяется по расположению виртуальной машины, а не пользователя. Отсюда практический вывод: язык интерфейса, язык текста и русскоязычная документация на ai.google.dev не означают, что ключ из России выдадут и оплату примут. Вопрос «как оплатить и получить ключ, находясь в России» разобран отдельно, с ценами и оценкой рисков каждого маршрута: [Как купить доступ к Gemini API в России: цены, ключ и безопасные маршруты](https://blog.laozhang.ai/ru/posts/gemini-api-pricing). Если регион у вас подходящий, порядок действий такой: [Ключ Google AI Studio: проверка региона, создание и первый запрос](https://blog.laozhang.ai/ru/posts/google-ai-studio-api-key), затем первый запрос из раздела выше. Реселлеры в русскоязычном интернете уже предлагают «Gemini 3.8 Flash TTS купить в России» с рублёвыми ценами — это их тарифы, а не тарифы Google; долларовые цифры из таблицы выше на них не переносятся, и условия про водяной знак, бесплатный уровень и использование данных у посредника могут отличаться. ## Частые вопросы **Gemini 3.8 Flash TTS можно скачать как программу?** Нет. Это модель, доступная через Gemini API и в интерфейсе Google AI Studio; никакого приложения или офлайн-версии нет. Ближайшая «программа» — плейграунд речи в AI Studio, где можно набрать текст, выбрать голос и прослушать результат, но он работает по тем же региональным правилам, что и API. **Что лучше для русской озвучки — Flash или Flash-Lite?** Русский поддерживают обе, разница не в языке, а в задаче. Для бота, читалки и массовой генерации — Flash-Lite; для аудиокниги, актёрских сцен и диалога с наложенными реакциями — Flash. В анонсе Google результатов именно по русской речи нет, поэтому разумный путь — прогнать один и тот же фрагмент на обеих моделях: запрос отличается только ID. **Можно ли протестировать бесплатно?** На бесплатном уровне режимы Standard и Priority для обеих моделей помечены как бесплатные, при этом Google использует данные таких запросов для улучшения продуктов. Batch и Flex бесплатно недоступны, а лимиты запросов для 3.8 TTS на странице лимитов не опубликованы — смотрите их в своём проекте AI Studio. Что именно в AI Studio бесплатно и когда включается оплата — в статье [Google AI Studio бесплатно: что доступно и когда нужно платить](https://blog.laozhang.ai/ru/posts/ai-studio-complete-access-guide). **Чем `gemini-3.8-flash-tts` отличается от `gemini-3.8-flash`?** Это разные модели одной линейки. `gemini-3.8-flash` — текстовая модель, которая принимает текст и изображения и отвечает текстом; TTS-модели принимают только текст и возвращают только аудио. Для генерации самого текста подкаста, который потом озвучится, нужна текстовая модель — о ней в статье [Gemini 3.8 Flash: цена, ID модели и переход с 3.7 без риска](https://blog.laozhang.ai/ru/posts/gemini-3-comparison). **Почему `gemini-2.5-flash-preview-tts` перестала отвечать?** С 18 сентября 2026 года Google ограничил доступ к моделям 2.5 теми, кто активно использовал их раньше; для новых проектов рекомендованы актуальные модели. Если доступ пропал, переносите код на `gemini-3.8-flash-lite-tts` по чек-листу из раздела о миграции — главное, убрать инструкции из текста и обёртку WAV.