Преврати свои заметки в подкаст на два голоса — за выходные

Смотри, идея на одну строку: ты скидываешь приложению свои заметки или ссылку на статью — а на выходе получаешь mp3, где два ведущих обсуждают это вслух. Включил в наушниках по дороге — и «прочитал» то, до чего месяц не доходили руки.

И вот в чём свежесть: год назад так просто не вышло бы. Чтобы сделать живой разговор, нужны были два разных голоса, склейка реплик, паузы, интонации — отдельная возня со звуком. А теперь у Gemini появился режим TTS на несколько говорящих сразу, с тегами выразительности — смешок, пауза, акцент. Один запрос — и модель сама раздаёт реплики двум голосам. Десять минут озвучки стоят около $0.09. Вот на этом проект и едет.

Чему научишься

Проект маленький, но в нём вся петля «текст → звук», на которой потом строится куча приложений.

• Собирать промпт-сценарий. Модель сначала пишет диалог по твоему тексту, потом озвучивает его.
• Управлять голосами. Задать двух ведущих, имена, роли и тон — это уже работа с многоголосым TTS.
• Сохранять результат. Получить аудио из ответа модели и записать его в mp3-файл.

Готовый стартовый промпт

Не пиши «сделай подкаст из текста» — модель начнёт угадывать формат, длину и тон. Дай ей роли, ограничения и пример того, как должен звучать разговор:

Разница в том, что сильный промпт не оставляет места для догадок: ты получаешь готовый сценарий на два голоса с первого раза, а не сухой пересказ.

Что получится в итоге

Файл episode.mp3 на пару минут: Аня спрашивает, Макс объясняет, между ними — живые паузы и смешки. Из твоего конспекта по работе, главы книги или длинной статьи — мини-выпуск, который реально слушаешь, а не «когда-нибудь прочитаю».

Начни с одной короткой статьи, доведи до звучащего файла — и у тебя на руках конвейер, который превращает «надо бы прочитать» в «уже послушал».

Источник: Gemini 3.1 Flash TTS Preview — многоголосый TTS и теги выразительности