Google добавила streaming для Gemini 3.1 Flash TTS в Gemini API

Google добавила streaming для Gemini 3.1 Flash TTS в Gemini API

17 июня 2026 года Google добавила streaming support для speech generation в Gemini API: streamGenerateContent и параметр stream: true в Interactions API теперь поддерживаются моделью gemini-3.1-flash-tts-preview. Первоисточник: Google Gemini API release notes - https://ai.google.dev/gemini-api/docs/changelog Дополнительный источник: Google Text-to-Speech guide - https://ai.google.dev/gemini-api/docs/speech-generation

В документации Google показан REST-вызов к models/gemini-3.1-flash-tts-preview:streamGenerateContent с responseModalities: ["AUDIO"] и speechConfig. В JavaScript-примере клиент обрабатывает responseStream и забирает audio chunks из inlineData. В guide также перечислены 30 prebuilt voice options, включая Kore, Puck, Charon, Aoede и другие.

Streaming TTS - это режим, где приложение получает аудио по частям вместо ожидания полного WAV-файла. Use streaming TTS when latency matters: voice agents, customer support bots, interactive tutors and accessibility tools can start playback while the model is still generating the rest of the answer.

Практический чеклист для voice pipelines:

• отдели text generation, TTS generation и audio playback в разные stages, чтобы сбой одного слоя не ломал весь диалог;
• логируй model, voiceName, chunk latency, total latency, 429 responses и fallback outcome;
• держи fallback на non-streaming TTS или другой voice provider, если preview endpoint недоступен;
• проверяй quotas и rate limits до запуска high-volume голосового бота;
• не хардкодь model ID в приложении: вынеси выбор TTS-модели и voice в routing policy.

Главное отличие streaming TTS от обычной генерации аудио - в latency profile и обработке отказов. Безопасный production-паттерн - gateway перед voice stack: он выбирает model path, применяет retries, обрабатывает 429 и переключает TTS provider без переписывания agent tooling.