
Googles schnelles, ausdrucksstarkes Text-to-Speech-Modell mit 30 Stimmen und Unterstützung für über 70 Sprachen
gemini-3.1-flash-tts
Modell: google/gemini-3.1-flash-tts · Ersteller: Google · Anbieter: Replicate · Plattform: CRAISEE
Überblick
Gemini 3.1 Flash TTS ist Googles schnelles, ausdrucksstarkes Text-to-Speech-Modell, das geschriebenen Text in natürlich klingende, emotional nuancierte Audioinhalte umwandelt. Es wurde für Kreative entwickelt, die sowohl Geschwindigkeit als auch stilistische Kontrolle benötigen. Das Modell unterstützt 30 verschiedene Stimmen und über 70 Sprachen und gehört damit zu den vielseitigsten TTS-Modellen auf CRAISEE. Ob Hörbücher, Podcast-Voiceovers, barrierefreie Inhalte oder interaktive Echtzeit-Audio-Anwendungen – Gemini 3.1 Flash TTS liefert Sprachausgabe in Sendequalität bei geringer Latenz.
Wichtigste Funktionen
- 30 verschiedene Stimmen — Ein breites Repertoire an Stimmen mit unterschiedlichen Klangfarben, Geschlechtern und Charakterprofilen, das Kreativen echte Auswahl ohne zusätzliche Konfiguration bietet.
- Unterstützung für 70+ Sprachen — Vollständige BCP-47-Sprachcode-Zielsteuerung für mehrsprachige Projekte und lokalisierte Audioproduktion aus einem einzigen Modell.
- Style-Prompting — Ein dedizierter
prompt-Eingang ermöglicht es, die sprechende Person, die Szene und Regieanweisungen zur Darbietung zu definieren – für präzise Kontrolle über den Charakter der Sprachausgabe. - Inline-Tag-Steuerung —
[Tags]mitten im Satz ermöglichen Echtzeit-Anpassungen von Ton, Tempo und Emotion, ohne den Ablauf eines einzelnen API-Aufrufs zu unterbrechen. - Geringe Latenz — Für Echtzeit-Anwendungen optimiert, geeignet für Live-Voiceover-Generierung, interaktive Tools und zeitkritische Produktionspipelines.
- Unterstützung für Langform-Audio — Verarbeitet bis zu 4.000 Byte Text pro Anfrage bei einer maximalen Ausgabelänge von ca. 655 Sekunden – ideal für ausgedehnte Erzählungen und Kapitel-lange Inhalte.
- Kontextuelle Darbietung — Umgebungs- und Charakterkontext im Style-Prompt beeinflusst subtil Prosodie, Tempo und emotionale Färbung der finalen Audioausgabe.
Beste Anwendungsfälle
Wählen Sie Gemini 3.1 Flash TTS auf CRAISEE, wenn Ihr Projekt eines der folgenden Anforderungen hat:
| Anwendungsfall | Warum dieses Modell passt |
|---|---|
| Hörbuch-Narration | Langform-Unterstützung, ausdrucksstarke Darbietung und charakterkonsistentes Prompting machen Kapitel-lange Erzählungen praktisch und professionell. |
| Podcast-Voiceovers und Intros | Style-Prompting kann eine spezifische Radio- oder Podcast-Persona definieren und markenkonformes Audio erzeugen, das wie ein echter Moderator klingt. |
| Mehrsprachige Inhalte | Unterstützung für 70+ Sprachen mit BCP-47-Zielsteuerung macht dieses Modell zur stärksten Wahl auf CRAISEE für lokalisierte oder internationale Audioprojekte. |
| Barrierefreie Inhalte | Klare, natürlich klingende Sprache über ein breites Stimmspektrum macht es ideal für Screenreader-Ergänzungen, Lern-Audio und assistive Medien. |
| Echtzeit-Anwendungen | Die Latenzoptimierung eignet sich für interaktive Tools, Sprachschnittstellen und Live-Content-Generierungspipelines. |
| Werbung und Marken-Voiceovers | Regiestil-Prompting erzeugt konsistente, emotional zielgerichtete Darbietungen, die für kommerzielles Audio geeignet sind. |
| E-Learning und Schulungsmaterialien | Ton- und Temposteuerung über Inline-Tags ermöglicht es, Lehrinhalte gezielt und klar zu strukturieren. |
Wann Sie eine Alternative wählen sollten: Wenn Ihr Projekt Gesangssynthese, stark stilisierte Charakterstimmen jenseits der 30 verfügbaren oder Audiogenerierung aus Nicht-Text-Eingaben erfordert, empfiehlt sich ein Blick in den CRAISEE-Audiokatalog für andere Modelle.
Verwendung auf CRAISEE
Follgen Sie diesen Schritten, um Ihre erste Audioausgabe mit Gemini 3.1 Flash TTS auf der CRAISEE-Plattform zu erstellen:
-
Rufen Sie die Modellseite auf. Suchen Sie im CRAISEE-Dashboard nach
gemini-3.1-flash-ttsoder navigieren Sie zur Kategorie Text-to-Speech unter den Audiomodellen. -
Geben Sie Ihren Text ein. Fügen Sie den zu sprechenden Inhalt in das Feld
textein oder tippen Sie ihn. Halten Sie die Eingabe unter 4.000 Byte. Verwenden Sie Inline-[Tags]im Text, wenn Sie Anpassungen der Darbietung mitten im Satz wünschen. -
Wählen Sie eine Stimme. Wählen Sie aus den 30 verfügbaren Stimmen über das Dropdown-Menü
voice. Die Standardstimme istKore. Lesen Sie die Stimmbeschreibungen, um den passenden Charakter für Ihren Inhalt zu finden. -
Schreiben Sie einen Style-Prompt. Füllen Sie das Feld
promptmit Darbietungsanweisungen. Definieren Sie die Identität der sprechenden Person, die Szene und Regieanweisungen zu Ton, Akzent oder Tempo. Der Standard-Prompt lautetSay the following.— Ersetzen Sie diesen durch einen detaillierten Prompt, um die Ausgabequalität deutlich zu verbessern. -
Legen Sie Ihren Sprachcode fest. Wenn Sie nicht-englische Inhalte produzieren, geben Sie den entsprechenden BCP-47-Sprachcode in das Feld
language_codeein (z. B.ko-KRfür Koreanisch,fr-FRfür Französisch). Der Standard isten-US. -
Starten Sie das Modell. Klicken Sie auf Generieren, um Ihre Anfrage abzusenden. Die Audioausgabe erscheint im Ergebnisbereich, sobald die Verarbeitung abgeschlossen ist.
-
Überprüfen und verfeinern Sie. Hören Sie sich die Ausgabe an. Wenn Darbietung, Tempo oder Ton angepasst werden müssen, verfeinern Sie Ihren Style-Prompt oder die Inline-Tags und starten Sie erneut. Die Iteration am Prompt ist der wichtigste Hebel zur Verbesserung der Ergebnisse.
-
Exportieren Sie Ihr Audio. Laden Sie die generierte Audiodatei aus dem CRAISEE-Ausgabebereich für Ihr Projekt herunter.
Eingabeparameter
| Parameter | Typ | Erforderlich | Standard | Beschreibung |
|---|---|---|---|---|
text | String | ✅ Ja | — | Der in Sprache umzuwandelnde Text. Unterstützt Inline-[Tags] zur Darbietungssteuerung mitten im Satz. Maximal 4.000 Byte. |
voice | String | Nein | Kore | Wählt eine der 30 verfügbaren Stimmen aus. Wählen Sie basierend auf Charakter, Ton und Geschlecht passend zu Ihrem Inhalt. |
prompt | String | Nein | Say the following. | Stilanweisungen zur Definition der Sprecheridentität, des Szenenkontexts und von Regieanweisungen. Maximal 4.000 Byte. Die kombinierte Größe von text + prompt darf 8.000 Byte nicht überschreiten. |
language_code | String | Nein | en-US | BCP-47-Sprachcode zur Angabe der Ausgabesprache und des Gebietsschemas. Unterstützt 70+ Sprachen. |
Wichtige Einschränkung: Die kombinierte Bytegröße von text und prompt darf insgesamt 8.000 Byte nicht überschreiten. Wenn Sie detaillierte Style-Prompts schreiben, berücksichtigen Sie dieses Limit beim Verfassen langer Texteingaben.
Tipps & Best Practices
1. Behandeln Sie den Style-Prompt wie ein Regiekonzept, nicht wie ein Etikett
Das Wirksamste, was Sie tun können, um die Ausgabequalität zu verbessern, ist ein detaillierter, spezifischer prompt. Vage Anweisungen wie `„energisch sprechen


