Google выпустила голосовые модели Gemini 3.8 Flash TTS и Flash-Lite TTS с поддержкой 100 языков, 2000 голосовых пресетов и цифровых меток SynthID.
Для синтеза речи задается имя голоса:
from google import genai
from google.genai import types
client = genai.Client()
cfg = types.GenerateContentConfig(
response_mime_type="audio/mp3",
speech_config=types.SpeechConfig(
voice_config=types.VoiceConfig(prebuilt_voice_config=types.PrebuiltVoiceConfig(voice_name="Puck"))
)
)
res = client.models.generate_content(model="gemini-3.8-flash-tts", contents="Привет!", config=cfg)
Эмоции настраиваются инлайн-тегами режиссуры:
# Добавление шепота и сохранение аудиофайла
res2 = client.models.generate_content(
model="gemini-3.8-flash-tts",
contents="Привет! <whisper>Говори тише.</whisper>",
config=cfg
)
with open("speech.mp3", "wb") as f:
f.write(res2.candidates[0].content.parts[0].inline_data.data)
Клонирование голоса требует согласия диктора и отключено в ЕС, Великобритании и Индии.

