gemini-3.8-flash-tts · 默认分组

Gemini 3.8 Flash TTS 语音合成：把文本合成为单或多说话人音频，130 余种语言自动识别；单次文本输入上限 8192 token、音频输出上限 16384 token。走 Gemini 原生 generateContent：responseModalities 传 ["AUDIO"]（generationConfig 内）；音色在 generationConfig 的 speechConfig 里选择（30 个预置演播室音色，或扩展音色库与自定义音色 ID）；逐轮语气与说话人写在文本片段的 speech_metadata（style / speaker），瞬时人声事件用尖括号标签（ 、 、 ）直接写进正文。音频以多段 inlineData 返回，实测为无头 raw PCM（audio/l16，24kHz 单声道 16-bit）：按 parts 顺序拼接 base64 后自行包 WAV 头或按 PCM 播放。按次计费，与文本长度、音频时长和 Token 数无关。只接受纯文本输入、只输出音频。