Настройка ключа API

О чём урок

С Gemini 3.8 Text-to-Speech (TTS) (gemini-3.8-flash-tts и gemini-3.8-flash-lite-tts) вы больше не ограничены предустановленными системными голосами. API client.voices позволяет создавать пользовательские голосовые идентификаторы, адаптированные к вашему приложению:

1. Дизайн голоса (type="prompted"): Создавайте совершенно новые синтетические голосовые персоны с нуля, используя описание возраста, акцента, тембра голоса, каденции и архетипа персонажа на естественном языке.
2. Репликация голоса (type="replicated"): Клонируйте голос реального диктора из короткой эталонной аудиозаписи и устного заявления о согласии — используя либо хранение состояния (store=True, возвращающее многоразовый идентификатор voice_...), либо бесстатусное шифрование (store=False, возвращающее управляемый клиентом объект voicekey_...).
3. Управление и комбинирование разработанных и реплицированных голосов: Применяйте подсказки стиля Gemini 3.8 TTS (speech_metadata) и встроенные голосовые теги (<laugh>, <sigh>, <short pause>) поверх реплицированного голоса, чтобы изменить его подачу, и сочетайте ваш разработанный голос с вашим реплицированным голосом в многоголосном диалоге.
4. Управление сохраненными пользовательскими голосами (list, get, delete): Перечисляйте пользовательские голоса, хранящиеся в вашем проекте (client.voices.list), проверяйте метаданные голоса (client.voices.get) и удаляйте пользовательские голоса (client.voices.delete).

Совет: Основные принципы Text-to-Speech для одного и нескольких дикторов см. в Get_started_TTS.ipynb.

Для выполнения следующей ячейки ваш ключ API должен быть сохранен в секрете Colab с именем GEMINI_API_KEY. Если у вас еще нет ключа API или вы не знаете, как создать секрет Colab, см. Аутентификация для пошагового руководства.

Установите google-genai>=2.25.0, который включает API client.voices (create, list, get, delete) для дизайна и репликации голоса, и инициализируйте клиент:

Обе модели, gemini-3.8-flash-tts и gemini-3.8-flash-lite-tts, поддерживают дизайн голоса (type="prompted") и репликацию голоса (type="replicated").

Вызовы client.interactions.create с response_format={'type': 'audio'} в Gemini 3.8 TTS возвращают аудио WAV с монофоническим звуком 24 кГц в кодировке base64 (interaction.output_audio.data), соответствующее образцам предварительного просмотра CreateVoice (sample_audio.data).

Дизайн голоса позволяет создавать совершенно новую…

План урока

1. Настройка
2. Настройка ключа API
3. Установка и инициализация SDK
4. Выбор модели
5. Помощник по воспроизведению аудио
6. 1. Дизайн голоса (type="prompted")
7. 1.1 Создание разработанного голоса из текстовой подсказки
8. 1.2 Синтез речи с помощью разработанного голоса