600msも待てない音声エージェントのために

Google Gemini: Gemini 3.1 Flash TTS Preview

gemini/gemini-3-1-flash-tts-preview
提供中 tts 1プロバイダー
Playground

Google Gemini 3.1 Flash text-to-speech (preview): powerful, low-latency speech generation with natural outputs, steerable prompts, and expressive audio tags.

作成者Google Gemini
言語78言語
ボイス読み込み中...
レスポンス形式PCM
ステータス提供中

プロバイダー

同じモデルを複数のプロバイダーがホストしている場合があります。バックエンドを固定したい場合は1つのプロバイダーを選び、そうでなければルーティングに選択を任せられます。

プロバイダーSlug1,000文字あたりレイテンシiTTSのレイテンシは音声の最初のバイトが届くまでの時間、STTのレイテンシは最初のトークンが届くまでの時間で計測しています。モード稼働率
Google Gemini 3個のパラメーター
gemini
$0.08403
—
同期

対応言語

78言語
Afrikaans af
Albanian sq
Amharic am
Arabic ar
Armenian hy
Azerbaijani az
Bangla bn
Basque eu
Belarusian be
Bulgarian bg
Burmese my
Catalan ca
Cebuano ceb
Chinese (Mandarin) cmn
Croatian hr
Czech cs
Danish da
Dutch nl
English en
Estonian et
Filipino fil
Finnish fi
French fr
Galician gl
Georgian ka
German de
Greek el
Gujarati gu
Haitian Creole ht
Hebrew he
Hindi hi
Hungarian hu
Icelandic is
Indonesian id
Italian it
Japanese ja
Javanese jv
Kannada kn
Konkani kok
Korean ko
Lao lo
Latin la
Latvian lv
Lithuanian lt
Luxembourgish lb
Macedonian mk
Maithili mai
Malagasy mg
Malay ms
Malayalam ml
Marathi mr
Mongolian mn
Nepali ne
Norwegian (Bokmål) nb
Norwegian (Nynorsk) nn
Odia or
Pashto ps
Persian fa
Polish pl
Portuguese pt
Punjabi pa
Romanian ro
Russian ru
Serbian sr
Sindhi sd
Sinhala si
Slovak sk
Slovenian sl
Spanish es
Swahili sw
Swedish sv
Tamil ta
Telugu te
Thai th
Turkish tr
Ukrainian uk
Urdu ur
Vietnamese vi

ボイス

機能

Text to speech

Generates spoken audio from text via generateContent (responseModalities AUDIO).

text_to_speech
Streaming

Streams synthesized audio incrementally over a persistent connection (WebSocket/SSE).

streaming
Synchronous

Synthesizes speech from fully-submitted text in a single synchronous request.

synchronous
Multilingual

Supports 78 documented languages; the model auto-detects the input language (voices are language-agnostic).

multilingual
Multi-speaker

Supports multi-speaker audio (up to 2 speakers).

multi_speaker
Style control

Style, tone, accent, and pace controllable via natural-language prompts.

style_control

コード

クライアント
モード
言語

ElevenLabs SDKでのストリーミングTTS

ElevenLabs SDKをAllModels経由でルーティングし、音声レスポンスをストリーミングします。

import { ElevenLabsClient } from "elevenlabs";

const client = new ElevenLabsClient({
  apiKey: process.env.ALLMODELS_API_KEY,
  baseUrl: "https://api.allmodels.io/el"
});

const stream = await client.textToSpeech.stream("voice_id", {
  text: "I'm sorry, Dave. I'm afraid I can't do that.",
  modelId: "gemini/gemini-3-1-flash-tts-preview",
  outputFormat: "mp3_44100_128"
}, {
  queryParams: {
    provider: {
      "only": [
        "gemini"
      ]
    }
  }
});

const reader = stream.getReader();
for (;;) {
  const { done, value } = await reader.read();
  if (done) break;
  // Write value to your response, file, or audio playback pipeline.
}