Gemini 3.8 Flash TTS

So liest Gemini 3.8 Flash TTS einen Prompt

Gemini 3.8 Flash TTS bekommt zwei Texte, und beide haben eine andere Aufgabe:

• Prompt ist das Skript. Laut Google behandelt das Modell ihn „strikt als wörtliches Transkript“, also wird jedes Wort laut vorgelesen.
• Stil legt fest, wie es gesprochen wird: Emotion, Tonfall, Tempo und Vortrag für das ganze Skript, zum Beispiel „geflüstert, nervös“ oder „warm und langsam, wie ein Radiomoderator spät in der Nacht“.

Lass Regieanweisungen aus dem Skript heraus. Google warnt, dass eine Zeile wie „Sag fröhlich: Hallo!“ Wort für Wort gesprochen werden kann. Schreib „fröhlich“ in den Stil und „Hallo!“ in den Prompt.

Die Beispiele auf dieser Seite zeigen Stimme, Stil und Skript getrennt. Wähl in Endless die Stimme im Menü Stimme, schreib den Stil ins Feld Stil und füg nur den Text in Anführungszeichen in den Prompt ein.

Den Stil schreiben

Kurz funktioniert am besten. Googles Beispiele bestehen aus wenigen Wörtern: „geflüstert, nervös“, „locker, freundlich“, „murmelnd, dann beruhigend“, „hohe Stimmlage, fröhliche und aufgeregte Betonung“. Nutz den Stil für alles, was über den ganzen Vortrag gilt:

• Emotion und Tonfall: sarkastisch, ruhig, aufgeregt, müde.
• Tempo: „langsam gesprochen“ oder „sehr schnell gesprochen“.
• Stimmlage und Betonung: „monoton und flach“, „hohe Stimmlage“.

Google rät im Stil von langen Figurenprofilen oder Listen mit Regienotizen ab, ebenso von Anweisungen wie „behalte dasselbe Timbre bei“. Zusätzlicher Text lässt die Stimme abdriften. Außerdem gehören Merkmale, die sich nie ändern, etwa Alter, Geschlecht oder ein dauerhafter Akzent, laut Google zur Stimme und nicht zum Stil. Wechselt die Emotion mitten im Skript, teil es in einzelne Durchläufe auf, jeweils mit eigenem Stil.

Inline-Tags

Für ein Geräusch an einer genauen Stelle schreibst du einen Tag in spitzen Klammern ins Skript: Das war ein SEHR langer Tag <sigh> ... niemand hört mehr zu. Googles Prompting-Leitfaden listet diese auf:

• Atem und Anstrengung: <breath>, <heavy breath>, <exhales>, <pant>, <phew>, <pff>, <grunt>, <groan>, <argh>.
• Lachen: <laugh>, <laughter>, <chuckle>, <giggle>, <snicker>, <cackle>.
• Trauer und Angst: <sigh>, <sob>, <cry>, <whimper>, <gasp>, <scream>, <shriek>.
• Weitere Stimmgeräusche: <cough>, <sneeze>, <yawn>, <snort>, <tsk>, <hiss>, <growl>, <grr>, <moan>, <cheer>, <shout>, <whispers>, <throat-clearing>.
• Pausen: <short pause>, <long pause>.

Tags sind nur für menschliche Laute gedacht. Google empfiehlt, Geräusche, die nicht aus der Stimme kommen, etwa Applaus, zu vermeiden. Schreib die Tags auch dann auf Englisch, wenn das Skript in einer anderen Sprache ist, wie Google es empfiehlt. Deshalb übersetzen die Prompts auf dieser Seite den Text und lassen die Tags auf Englisch.

Tempo und Betonung

Kommas, Gedankenstriche und Auslassungspunkte sorgen für natürliches Zögern, und <short pause> oder <long pause> setzen eine genaue Stille. Großbuchstaben erzeugen Betonung: „Das war ein SEHR langer Tag“. Füllwörter, die du ins Skript schreibst („Ach, äh, ja, ich glaube... hm“), werden genau so gelesen und lassen eine Zeile spontan klingen.

Stimmen und Sprachen

Es gibt 30 integrierte Stimmen, standardmäßig Kore. Google beschreibt jede mit einem Wort, ein guter Ausgangspunkt:

• Hell: Zephyr, Autonoe. Munter: Puck, Laomedeia. Lebhaft: Sadachbia. Temperamentvoll: Fenrir.
• Bestimmt: Kore, Orus, Alnilam. Informativ: Charon, Rasalgethi. Sachkundig: Sadaltager. Gleichmäßig: Schedar.
• Klar: Iapetus, Erinome. Geschmeidig: Algieba, Despina. Direkt: Pulcherrima.
• Entspannt: Callirrhoe, Umbriel. Locker: Zubenelgenubi. Freundlich: Achird. Unbeschwert: Aoede. Jugendlich: Leda.
• Warm: Sulafat. Weich: Achernar. Sanft: Vindemiatrix. Hauchig: Enceladus. Reif: Gacrux. Rau: Algenib.

Google nennt für dieses Modell mehr als 130 Sprachen und erkennt die Sprache am Skript. Schreib den Text also in der Sprache, die du hören willst. Stimmklonen und Googles Stimmdesign gibt es in Endless nicht, und jeder Durchlauf liest mit einer einzigen Stimme.

Einstellungen, auf die es ankommt

• Prompt: das Skript, das Wort für Wort gelesen wird.
• Stimme: eine der 30 Stimmen von oben.
• Stil: optional, bis zu 1.000 Zeichen. Lass das Feld leer für einen neutralen Vortrag.

Jeder Durchlauf liefert eine WAV-Datei mit Googles SynthID-Wasserzeichen.

Häufige Fehler

• Eine Anweisung wird laut vorgelesen. Sie steht im Prompt. Verschieb sie in den Stil.
• Ein Tag wird als Wort gesprochen. Prüf, ob er spitze und keine eckigen Klammern nutzt und ob er in der Liste oben steht.
• Ein Soundeffekt wird ignoriert oder klingt falsch. Tags sind für menschliche Laute. Nimm für Applaus, Regen oder Türen ein Modell für Soundeffekte.
• Die Stimme driftet ab oder wechselt den Charakter. Kürz den Stil auf wenige Wörter und wähl eine Stimme, die näher am gewünschten Vortrag liegt.
• Die Emotion ändert sich mitten im Skript nicht. Der Stil gilt für das ganze Skript. Teil es in zwei Durchläufe mit unterschiedlichem Stil auf.
• Die Pause ist zu kurz. Nimm <long pause> oder Auslassungspunkte.