می‌توانید از مدل Gemini بخواهید خروجی صوتی تولید کند. وقتی‌که از Firebase AI Logic استفاده می‌کنید، می‌توانید این درخواست را مستقیماً از برنامه وب یا تلفن همراهتان (مثل برنامه Apple (Swift)، Android (Kotlin / Java)، Web (JavaScript)، Flutter (Dart)، یا Unity) ارسال کنید.
می‌توانید انواع زیر را برای صدا تولید کنید:
تولید گفتار از ورودی نوشتاری بااستفاده از مدل‌های نوشتار به گفتار (TTS) Gemini.
تولید خروجی صوتی جاری‌سازی‌شده دوطرفه بااستفاده از Gemini Live API.
مقایسه بین TTS و Live API
هر دو مدل نوشتار به گفتار (TTS) و مدل‌های Live API مدل‌های تولید گفتار با تأخیر کم هستند که می‌توانند برای زبان‌ها و صداهای پاسخ مختلف پیکربندی شوند. بااین‌حال، این دو مدل موارد استفاده بسیار متفاوتی دارند.
تولید نوشتار به گفتار (TTS) یک تعامل یک‌سویه درخواست-پاسخ است (نوشتار ورودی، صدا خروجی). این مدل برای سناریوهایی که نیاز به بازخوانی دقیق نوشتار ارائه‌شده با کنترل دقیق بر سبک و صدا دارند، مانند روایت پادکست، کتاب‌های صوتی، یا خواندن مقالات با صدای بلند، طراحی شده است.
نسل Live API از جاری‌سازی دوجهتی برای مکالمه‌های گفتاری هم‌زمان (ورودی گفتاری، خروجی گفتاری) پشتیبانی می‌کند. این مدل در بافت‌های مکالمه‌ای پویا که مدل تصمیم می‌گیرد چه گفتاری را برگرداند، عالی عمل می‌کند. توجه داشته باشید که جدیدترین مدل‌های Live API از ورودی ویدیو و تصویر نیز پشتیبانی می‌کنند.