Google은 9월 23일 Gemini 3.8 Flash TTS와 Flash-Lite TTS의 개발자 대상 순차 제공을 발표했다. Gemini API와 AI Studio를 통한 제공을 시작한다고 밝혔지만, 모든 계정과 지역에서 즉시 사용할 수 있다는 뜻은 아니다.
문서에 명시된 모델 ID는 gemini-3.8-flash-tts와 gemini-3.8-flash-lite-tts다. 새 방식은 입력 text를 읽을 원문으로 취급한다.
대본에 넣던 발화 스타일이나 연출 지시는 speech_metadata.style로 옮긴다. 여러 화자가 번갈아 말하면 각 턴의 speech_metadata.speaker에 화자를 지정한다. 지시문을 대본에 남겨두면 문장으로 읽힐 수 있다.
오디오 형식도 구분된다. 한 번에 결과를 받는 단일 요청은 기본으로 RIFF 헤더가 포함된 audio/wav(24kHz, 모노, 16비트 PCM)를 반환하고, 스트리밍 요청은 기본으로 헤더 없는 audio/l16 조각을 반환한다.
두 화자와 음성 복제의 범위
한 요청에서 여러 화자를 합성할 때는 사전 제공 음성 최대 2명까지 지원한다. 직접 설계하거나 복제한 음성을 여러 화자에 쓰려면 각 화자의 턴을 따로 생성해야 한다.
단일 요청의 WAV에는 기본적으로 44바이트 RIFF 헤더가 있다. 여러 턴을 이어 붙일 때는 audio/l16으로 원시 PCM을 받거나, WAV 헤더를 제거하고 PCM 데이터를 합쳐야 한다.
음성 복제에는 소유자의 구두 동의 녹음이 필요하다. Google은 AI Studio 음성 복제를 일리노이·텍사스·유럽경제지역(EEA)·영국·스위스·인도에서 제공하지 않는다고 밝혔다. 이 제한은 모든 음성 생성 기능의 지역 제한과 동일하지 않다.
이전 시 확인할 오디오 처리 경로
기존 코드를 옮길 때는 먼저 대본에 남은 지시문, 화자 지정, 반환된 오디오의 MIME 형식을 확인하는 순서가 적절하다.
이전 모델에서 원시 PCM에 WAV 헤더를 직접 붙였다면, 새 단일 요청의 WAV에 헤더를 두 번 붙이지 않도록 해당 코드를 제거한다. 원시 PCM이 필요할 때는 response_format.mime_type을 audio/l16으로 지정할 수 있다.
이 내용은 공개 API 문서에 따른 호환성 점검 항목이며, 이 기사에서 오디오 생성이나 재생 시험을 수행한 결과는 아니다.
Gemini 3.8 TTS로 옮길 때 우선 확인할 것은 음질 평가보다 발화 지시의 위치와 단일·스트리밍 요청의 오디오 형식 차이다.