تکرار صدا

تکثیر صدا به شما امکان می‌دهد ویژگی‌های صوتی گوینده را از یک نمونه صوتی کوتاه با استفاده از نقطه پایانی Gemini API Voices ( POST /v1beta/voices ) تکثیر کنید. هر دو Gemini 3.8 Flash TTS ( gemini-3.8-flash-tts ) و Gemini 3.8 Flash-Lite TTS ( gemini-3.8-flash-lite-tts ) از تکثیر صدا پشتیبانی می‌کنند.

سریع‌ترین راه برای تکثیر، تأیید رضایت و شنیدن صدای تکثیر شده، استفاده از تجربه تعاملی تکثیر صدا در Google AI Studio است. می‌توانید کلیپ‌های مرجع و رضایت را مستقیماً در مرورگر ضبط یا آپلود کنید، پیش‌نمایش صدا را ببینید و شناسه voice_... حاصل را مستقیماً در کد برنامه خود کپی کنید.

گردش کار تکثیر صدا ↗

حالت‌های ذخیره‌سازی با وضعیت در مقابل حالت بدون وضعیت

تکرار صدا هنگام فراخوانی voices.create ( POST /v1beta/voices ) از دو حالت ذخیره‌سازی پشتیبانی می‌کند و ذخیره‌سازی با وضعیت به طور پیش‌فرض فعال است:

• ذخیره‌سازی با وضعیت ( store=True ، پیش‌فرض توصیه‌شده): گوگل نمایه صدای تأییدشده شما را در پروژه‌تان ذخیره می‌کند و یک voice_id سبک و پایدار ( replicated_voice.id ، مانند voice_abc123... ) برمی‌گرداند. می‌توانید این voice_id به درخواست‌ها ارسال کنید و آن را با voices.list() ، voices.get() و voices.delete() مدیریت کنید.
• کلیدهای مدیریت‌شده توسط کلاینت بدون وضعیت ( store=False ، اختیاری): برای بارهای کاری که نیاز به عدم پایداری سمت سرور پروفایل‌های صوتی بیومتریک دارند، store=False را تنظیم کنید. API یک voice_key رمزگذاری‌شده و مستقل ( replicated_voice.key ، با voicekey_... شروع می‌شود) را برمی‌گرداند که برنامه شما به‌صورت محلی ذخیره می‌کند و مستقیماً در درخواست‌های سنتز ارسال می‌کند.

الزامات صوتی و رضایت

هر درخواست تکثیر CreateVoice به دو صدای ضبط شده واقعی انسان از یک بلندگوی بزرگسال نیاز دارد (24 کیلوهرتز مونو 16 بیتی WAV توصیه می‌شود):

1. صدای مرجع ( source_audio ): یک کلیپ ۱۰ تا ۳۰ ثانیه‌ای از گفتار طبیعی و واضح از گوینده‌ای که می‌خواهید صدایش را شبیه‌سازی کنید.
2. صدای رضایت ( consent_audio ): صدای ضبط‌شده‌ی همان گوینده که به وضوح بیانیه‌ی رضایت اجباری را به یکی از زبان‌های پشتیبانی‌شده (مثلاً انگلیسی) می‌خواند: > «من صاحب این صدا هستم و به گوگل اجازه می‌دهم از این صدا برای ایجاد یک مدل صدای مصنوعی استفاده کند.»

ایجاد صدای تکثیر شده (پیش‌فرض با وضعیت)

برای ایجاد و ذخیره یک پروفایل صوتی تکثیر شده در پروژه خود، از Google GenAI SDK ( google-genai 2.25.0+ / @google/genai 2.24.0+) یا REST API با store=True استفاده کنید:

کپی کدimport base64
from google import genai

client = genai.Client()

with open("reference_speaker.wav", "rb") as f:
    source_b64 = base64.b64encode(f.read()).decode("utf-8")

with open("speaker_consent.wav", "rb") as f:
    consent_b64 = base64.b64encode(f.read()).decode("utf-8")

# Create a persistent replicated voice (store=True)
replicated_voice = client.voices.create(
    store=True,
    voice={
        "model": "gemini-3.8-flash-tts",
        "type": "replicated",
        "display_name": "Custom Replicated Speaker",
        "replicated": {
            "source_audio": {
                "mime_type": "audio/wav",
                "data": source_b64,
            },
            "consent_audio": {
                "mime_type": "audio/wav",
                "data": consent_b64,
            },
        },
    },
)

print(f"Created voice ID: {replicated_voice.id}")

کپی کدimport * as fs from "node:fs";
import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI();

const sourceB64 = fs.readFileSync("reference_speaker.wav").toString("base64");
const consentB64 = fs.readFileSync("speaker_consent.wav").toString("base64");

// Create a persistent replicated voice (store: true)
const replicatedVoice = await ai.voices.create({
  store: true,
  voice: {
    model: "gemini-3.8-flash-tts",
    type: "replicated",
    display_name: "Custom Replicated Speaker",
    replicated: {
      source_audio: {
        mime_type: "audio/wav",
        data: sourceB64,
      },
      consent_audio: {
        mime_type: "audio/wav",
        data: consentB64,
      },
    },
  },
});

console.log(`Created voice ID: ${replicatedVoice.id}`);

کپی کدSOURCE_B64=$(base64 -w 0 reference_speaker.wav)
CONSENT_B64=$(base64 -w 0 speaker_consent.wav)

curl "https://generativelanguage.googleapis.com/v1beta/voices" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -X POST \
  -d "{
    \"store\": true,
    \"voice\": {
      \"model\": \"gemini-3.8-flash-tts\",
      \"type\": \"replicated\",
      \"display_name\": \"Custom Replicated Speaker\",
      \"replicated\": {
        \"source_audio\": {
          \"mime_type\": \"audio/wav\",
          \"data\": \"$SOURCE_B64\"
        },
        \"consent_audio\": {
          \"mime_type\": \"audio/wav\",
          \"data\": \"$CONSENT_B64\"
        }
      }
    }
  }"

با صدای تقلیدی خود، گفتار را ترکیب کنید

id برگردانده شده ( voice_... ) را هنگام فراخوانی generateContent در voiceConfig.voice وارد کنید:

کپی کدfrom google import genai

client = genai.Client()

response = client.models.generate_content(
    model="gemini-3.8-flash-tts",
    contents=[{
        "role": "user",
        "parts": [{
            "text": (
                "Hello! This audio was synthesized using a replicated"
                " speaker voice."
            ),
            "speech_metadata": {"style": "warm and conversational"},
        }],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "voice_config": {"voice": replicated_voice.id}
        },
    },
)

audio_bytes = response.candidates[0].content.parts[0].inline_data.data
with open("replicated_speech.wav", "wb") as f:
    f.write(audio_bytes)

کپی کدimport * as fs from "node:fs";
import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI();

const response = await ai.models.generateContent({
  model: "gemini-3.8-flash-tts",
  contents: [{
    role: "user",
    parts: [{
      text: "Hello! This audio was synthesized using a replicated speaker voice.",
      speechMetadata: { style: "warm and conversational" },
    }],
  }],
  config: {
    responseModalities: ["AUDIO"],
    speechConfig: {
      voiceConfig: { voice: replicatedVoice.id },
    },
  },
});

const data = response.candidates?.[0]?.content?.parts?.[0]?.inlineData?.data;
if (data) {
  fs.writeFileSync("replicated_speech.wav", Buffer.from(data, "base64"));
}

کپی کدcurl "https://generativelanguage.googleapis.com/v1beta/models/gemini-3.8-flash-tts:generateContent" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -X POST \
  -d '{
    "contents": [{
      "role": "user",
      "parts": [{
        "text": "Hello! This audio was synthesized using a replicated speaker voice.",
        "speech_metadata": {
          "style": "warm and conversational"
        }
      }]
    }],
    "generationConfig": {
      "responseModalities": ["AUDIO"],
      "speechConfig": {
        "voiceConfig": {
          "voice": "voice_YOUR_REPLICATED_VOICE_ID"
        }
      }
    }
  }'

مدیریت صداهای کپی‌شده‌ی ذخیره‌شده

وقتی با store=True ایجاد شود، صداهای تکثیر شده شما می‌توانند از طریق Voices API فهرست، فیلتر، بازرسی و حذف شوند (برای همه پارامترهای فیلتر به Extended Voice Library و فیلتر کردن مراجعه کنید):

کپی کدfrom google import genai

client = genai.Client()

# List stored replicated voices in your project
response = client.voices.list(type_=["replicated"])
for voice in response.voices or []:
    print(voice.id, voice.display_name, voice.type)

# Retrieve a specific voice by ID
voice_details = client.voices.get(id=replicated_voice.id)

# Delete a stored replicated voice
client.voices.delete(id=replicated_voice.id)

کپی کدimport { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI();

// List stored replicated voices in your project
const response = await ai.voices.list({ type: ["replicated"] });
for (const voice of response.voices ?? []) {
  console.log(voice.id, voice.display_name, voice.type);
}

// Retrieve a specific voice by ID
const voiceDetails = await ai.voices.get(replicatedVoice.id);

// Delete a stored replicated voice
await ai.voices.delete(replicatedVoice.id);

کپی کد# List stored replicated voices in your project
curl -G "https://generativelanguage.googleapis.com/v1beta/voices" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  --data-urlencode "type=replicated"

# Retrieve a specific voice by ID
curl "https://generativelanguage.googleapis.com/v1beta/voices/voice_YOUR_REPLICATED_VOICE_ID" \
  -H "x-goog-api-key: $GEMINI_API_KEY"

# Delete a stored replicated voice
curl -X DELETE "https://generativelanguage.googleapis.com/v1beta/voices/voice_YOUR_REPLICATED_VOICE_ID" \
  -H "x-goog-api-key: $GEMINI_API_KEY"

گزینه: کلیدهای صوتی مدیریت‌شده توسط کلاینت بدون وضعیت ( store=False )

اگر برنامه شما نیازی به حفظ پروفایل‌های صوتی در سمت سرور ندارد، هنگام ایجاد صدای تکثیر شده، store=False را تنظیم کنید. API یک voice_key رمزگذاری شده ( replicated_voice.key که با voicekey_... شروع می‌شود) را برمی‌گرداند که شما آن را در سمت کلاینت ذخیره می‌کنید و مستقیماً در voiceConfig.voice ارسال می‌کنید:

کپی کدimport base64
from google import genai

client = genai.Client()

with open("reference_speaker.wav", "rb") as f:
    source_b64 = base64.b64encode(f.read()).decode("utf-8")

with open("speaker_consent.wav", "rb") as f:
    consent_b64 = base64.b64encode(f.read()).decode("utf-8")

# Create a stateless client-managed voice key (store=False)
replicated_voice = client.voices.create(
    store=False,
    voice={
        "model": "gemini-3.8-flash-tts",
        "type": "replicated",
        "replicated": {
            "source_audio": {"mime_type": "audio/wav", "data": source_b64},
            "consent_audio": {"mime_type": "audio/wav", "data": consent_b64},
        },
    },
)

# Pass replicated_voice.key ("voicekey_...") directly in voice_config
response = client.models.generate_content(
    model="gemini-3.8-flash-tts",
    contents=[{
        "role": "user",
        "parts": [{
            "text": "Hello! This audio uses a stateless client-managed voice key.",
            "speech_metadata": {"style": "warm and conversational"},
        }],
    }],
    config={
        "response_modalities": ["AUDIO"],
        "speech_config": {
            "voice_config": {"voice": replicated_voice.key}
        },
    },
)

کپی کدimport * as fs from "node:fs";
import { GoogleGenAI } from "@google/genai";

const ai = new GoogleGenAI();

const sourceB64 = fs.readFileSync("reference_speaker.wav").toString("base64");
const consentB64 = fs.readFileSync("speaker_consent.wav").toString("base64");

// Create a stateless client-managed voice key (store: false)
const replicatedVoice = await ai.voices.create({
  store: false,
  voice: {
    model: "gemini-3.8-flash-tts",
    type: "replicated",
    replicated: {
      source_audio: { mime_type: "audio/wav", data: sourceB64 },
      consent_audio: { mime_type: "audio/wav", data: consentB64 },
    },
  },
});

// Pass replicatedVoice.key ("voicekey_...") directly in voiceConfig
const response = await ai.models.generateContent({
  model: "gemini-3.8-flash-tts",
  contents: [{
    role: "user",
    parts: [{
      text: "Hello! This audio uses a stateless client-managed voice key.",
      speechMetadata: { style: "warm and conversational" },
    }],
  }],
  config: {
    responseModalities: ["AUDIO"],
    speechConfig: {
      voiceConfig: { voice: replicatedVoice.key },
    },
  },
});

کپی کدSOURCE_B64=$(base64 -w 0 reference_speaker.wav)
CONSENT_B64=$(base64 -w 0 speaker_consent.wav)

curl "https://generativelanguage.googleapis.com/v1beta/voices" \
  -H "x-goog-api-key: $GEMINI_API_KEY" \
  -H "Content-Type: application/json" \
  -X POST \
  -d "{
    \"store\": false,
    \"voice\": {
      \"model\": \"gemini-3.8-flash-tts\",
      \"type\": \"replicated\",
      \"replicated\": {
        \"source_audio\": {\"mime_type\": \"audio/wav\", \"data\": \"$SOURCE_B64\"},
        \"consent_audio\": {\"mime_type\": \"audio/wav\", \"data\": \"$CONSENT_B64\"}
      }
    }
  }"

عبارات رضایت پشتیبانی‌شده بر اساس زبان

صدای رضایت باید دقیقاً همان جمله را به یکی از 30 زبان پشتیبانی شده به صورت واضح بخواند:

بهترین روش‌ها برای ضبط صدای مرجع

• ضبط در یک محیط آرام: اکوی اتاق، نویز پس‌زمینه، موسیقی و صداهای همپوشانی را به حداقل برسانید.
• شرایط ضبط را مطابقت دهید: هم source_audio و هم consent_audio را روی یک میکروفون و در یک محیط آکوستیک ضبط کنید تا بررسی تأیید گوینده با موفقیت انجام شود.
• تبدیل به فرمت WAV مونو با فرکانس ۲۴ کیلوهرتز: برای بهترین نتیجه، قبل از کدگذاری، صدای ورودی را به فرمت WAV PCM با فرکانس ۲۴ کیلوهرتز مونو و ۱۶ بیت نمونه‌برداری مجدد کنید.

قدم بعدی چیست؟

• بیاموزید که چگونه در طراحی صدا، شخصیت‌های سفارشی را از توضیحات متنی ایجاد کنید.
• سبک‌بندی نوبتی، تگ‌های درون‌خطی و گفتگوی چندگوینده را در راهنمای تبدیل متن به گفتار بررسی کنید.