Gemini 3.1 Flash TTS
Ab $0.056 pro 1.000 Zeichen
Das ausdrucksstarke Text-zu-Sprache-Modell von Google mit natürlichen Ergebnissen und steuerbaren Prompts. Du gibst Tonfall und Tempo vor, und Craze vertont dein Video.
Craze nutzt Gemini 3.1 Flash TTS, wenn du es namentlich anforderst.
Was Gemini 3.1 Flash TTS gut kann
Ausdrucksstarke, steuerbare Voiceovers
Das Modell reagiert auf Tags wie (warmly), (urgently) und (whispered), die du ins Skript einbettest.
Natürliches Tempo und Betonung
Du kannst vorgeben, wo das Modell pausiert, wo es schneller wird und welche Wörter es betont.
Funktioniert bei jeder Skriptlänge
Ob du einen 30-sekündigen Spot oder eine 30-minütige Dokumentation vertonst, Gemini 3.1 Flash TTS verarbeitet das ganze Skript auf einmal.
Regie. Erstellen. Bearbeiten.
Hör auf zu prompten. Fang an, Regie zu führen.
Craze jammt kreativ, recherchiert und plant mit dir.
Erstelle geschmackvolle Inhalte.
Craze generiert alles, was man sich vorstellen kann. Video, Audio, Musik, Motion Graphics und mehr.
Schneide Videos in Minuten. Nicht in Tagen.
Craze sieht sich dein Material an und baut einen finalen Schnitt. Mit einem echten Editor, wenn du ihn brauchst.
Mach Videos, die Menschen ansehen
- UGC-Videos
- Motion Graphics
- Spielfilme
- Produktvisualisierung
- Micro-Dramas
- 3D-Filme
- Musikvideos
- Markenfilme
- Hochzeits-Highlights
- YouTube-Reviews
Wie Gemini 3.1 Flash TTS im Vergleich abschneidet
Jedes Modell hier läuft in jedem Craze-Plan, auch in Free, und Craze kann für jede Einstellung ein anderes nutzen.
| Gemini 3.1 Flash TTSGoogle DeepMind | ElevenLabs v4ElevenLabs | Gemini 3.8 Flash TTSGoogle DeepMind | Gemini 3.8 Flash Lite TTSGoogle DeepMind | |
|---|---|---|---|---|
| Erstellt | Text zu Audio | Text zu Audio | Text zu Audio | Text zu Audio |
| Ab | $0.056 pro 1.000 Zeichen | $0.089 pro 1.000 Zeichen | $0.050 pro 1.000 Zeichen | $0.034 pro 1.000 Zeichen |
Gemini 3.1 Flash TTS -Spezifikationen in Craze
| Aufgabe | Eingaben | Auflösung | Seitenverhältnisse | Ton |
|---|---|---|---|---|
| Text zu Sprache | Text-Prompt | Folgt der Quelle | Folgt der Eingabe | Keine |
Wähle den Plan für deine nächste Kreation.
Free
$0 / Monat
- Begrenzte Nutzung
- Zugriff auf alle Medien-Modelle
- Chat-Stufe Effizient
- 1 GB Speicher
- Craze MCP
- Exporte bis 720p
- Zusätzliche Credits aufladen
Pro
$19 / Monat
- $19 Credits pro Monat
- Zugriff auf alle Medien-Modelle
- Alle Chat-Stufen
- 50 GB Speicher
- Craze MCP
- Keine Auflösungslimits bei Exporten
- Zusätzliche Credits aufladen
Ultra
$59 / Monat
- $59 Credits pro Monat
- Zugriff auf alle Medien-Modelle
- Alle Chat-Stufen
- 200 GB Speicher
- Craze MCP
- Keine Auflösungslimits bei Exporten
- Zusätzliche Credits aufladen
Max
$199 / Monat
- $199 Credits pro Monat
- Zugriff auf alle Medien-Modelle
- Alle Chat-Stufen
- 1 TB Speicher
- Craze MCP
- Keine Auflösungslimits bei Exporten
- Zusätzliche Credits aufladen
Häufig gestellte Fragen
Gemini 3.1 Flash TTS ist das Text-zu-Sprache-Modell von Google für ausdrucksstarke, steuerbare Voiceovers. Es macht aus Skripten natürlich klingende Sprache, bei der du Tonfall, Tempo und Emotion vorgibst, ohne neu aufzunehmen oder neu zu synthetisieren.
Warum Creator Gemini 3.1 Flash TTS wählen
Gemini 3.1 Flash TTS bringt Regiekontrolle ins Voiceover. Die meisten TTS-Modelle lesen monoton vor. Dieses nimmt Regieanweisungen an, und die Ergebnisse wirken gespielt statt synthetisch.
Ausdrucksstarke, steuerbare Voiceovers
Das Modell reagiert auf Tags wie (warmly), (urgently) und (whispered), die du ins Skript einbettest. Den Gesamtton kannst du auch über den Prompt formen. Ein Satz mit (with doubt) klingt anders als dieselben Worte ohne Anweisung, und das Modell hält die Kontinuität über das gesamte Voiceover, sodass die Persönlichkeit von Anfang bis Ende konsistent bleibt.
Natürliches Tempo und Betonung
Du kannst vorgeben, wo das Modell pausiert, wo es schneller wird und welche Wörter es betont. Das zählt bei Lehrinhalten, Verkauf und Storytelling, wo eine Pause an der falschen Stelle oder eine falsche Betonung verändert, was Zuschauer fühlen.
Funktioniert bei jeder Skriptlänge
Ob du einen 30-sekündigen Spot oder eine 30-minütige Dokumentation vertonst, Gemini 3.1 Flash TTS verarbeitet das ganze Skript auf einmal. Kein Zusammenstückeln von Spuren, keine Brüche zwischen Abschnitten.
So nutzt du Gemini 3.1 Flash TTS in Craze
Starte ein Projekt und schreib deinen Sprechertext oder bring ein vorhandenes Skript mit. Craze übernimmt Generierung und Einbindung.
- Schreib oder füge dein Skript ein. Füge Anweisungen wie
(firmly)oder(thoughtfully)in den Text ein, um zu formen, wie das Modell jeden Teil liest. - Nenne Gemini 3.1 Flash TTS im Chat oder finde es im Bereich „Modelle“ und generiere.
- Craze erstellt das Audio und legt es auf deine Tonspur, zeitlich so gesetzt, dass es beginnt, wenn das Voiceover startet.
- Passe das Timing in der Timeline an, kürze es passend zu deinen Schnitten oder generiere einen Abschnitt neu, der einen anderen Tonfall braucht.
Wenn du kein Modell nennst, zeigt Craze passende TTS-Optionen mit ihren Preisen, damit du vor der Generierung wählen kannst.
Preise für Gemini 3.1 Flash TTS
Die Preise beginnen bei $0.056 pro 1.000 Zeichen. Die Kosten hängen nur von der Zeichenzahl deines fertigen Sprechertexts ab, nicht vom Stimmstil oder von Anweisungen im Text. Nutze den Rechner auf dieser Seite, um die Kosten vor dem Generieren zu schätzen.
Dieses Modell gibt es in allen Craze-Plänen, einschließlich Free. Generierungen werden von diesen Credits abgezogen, und wenn du mehr brauchst, wird der Mehrverbrauch zum selben Preis pro Zeichen abgerechnet.
Für wen Gemini 3.1 Flash TTS gedacht ist
Lern- und Anleitungsinhalte
Lehrvideos und Tutorials brauchen klare Betonung und natürliches Tempo. Gemini 3.1 Flash TTS liest Anleitungen so, wie es eine echte Lehrkraft tun würde, hebt Kernpunkte hervor und pausiert vor einer Pointe.
Markenvertonung
Markenfilme und Produktspots setzen ihren Ton über die Stimme. Weise das Modell an, deine Markenstimme zu treffen (selbstbewusst, verspielt, ernst), und generiere neu, wenn der erste Durchgang anders ausfällt als gedacht.
Dokumentationen und langes Storytelling
Ein 20-minütiges Stück braucht eine konsistente Persönlichkeit über die gesamte Laufzeit. Gemini 3.1 Flash TTS hält Stimme und Tonfall durchgehend, sodass dein Sprecher wie ein Mensch klingt, der eine Geschichte erzählt, nicht wie eine Maschine, die Wörter vorliest.
Gemini 3.1 Flash TTS vs. andere Modelle
ElevenLabs v4 ist der Standardsprecher von Craze und verarbeitet mehrsprachige Skripte mit Akzentsteuerung. Gemini 3.1 Flash TTS glänzt bei ausdrucksstarken englischen Voiceovers, wenn du Tonfall und Tempo direkt im Text steuern willst. Beide laufen auf Craze zu unterschiedlichen Preisen. ElevenLabs v4 ist die erste Wahl für schnelle mehrsprachige Arbeit; Gemini 3.1 Flash TTS ist besser, wenn du Emotion und Rhythmus eines einsprachigen Voiceovers formst.
Für Audiogenerierung aus einer Hand mit Musik und Soundeffekten kombiniert Seed Audio 1.0 Dialog, Foley und Atmo in einem Durchgang. Wenn du einfache, kostengünstige Voiceovers brauchst, liefert Seed Speech von ByteDance natürliches Stimmklonen ohne Prompt-Anweisungen im Text. Für feine Emotionssteuerung mit Tags wie (angry) und (whisper) bietet Qwen Audio 3.0 TTS Unterstützung für mehrere Sprachen und zwei Geschwindigkeitsstufen.
Grenzen und Anforderungen an Skripte
Auf Craze hat Gemini 3.1 Flash TTS eine maximale Skriptlänge von 4.000 Zeichen pro Generierung. Längere Skripte müssen in Abschnitte aufgeteilt, separat generiert und dann in deiner Timeline zusammengesetzt werden. Das Modell reagiert auf Tags im Text und Anweisungen in natürlicher Sprache gleich gut, sodass du beide Stile im selben Skript mischen kannst. Die Audiogenerierung dauert je nach Skriptlänge etwa 10-30 Sekunden. Das Modell hält Stimmkontinuität und Tonfall über das gesamte Voiceover, sodass auch lange Skripte ihren Charakter durchgehend behalten.
Figurenvertonung profitiert oft von Gemini 3.1 Flash TTS gegenüber Modellen mit nur einer Stimme. Wenn du einen Sprecher anweist, über Szenen hinweg die Emotion zu wechseln (verletzlich im ersten Akt, selbstbewusst im Höhepunkt), geben dir die Tags im Text Kontrolle Bild für Bild, ohne dass du das ganze Skript umschreiben lassen musst. Das zählt bei Storytelling und Markeninhalten, wo die Entwicklung des Tonfalls Bedeutung trägt.
Hintergrundmusik, Foley oder Umgebungsgeräusche kannst du mit Gemini 3.1 Flash TTS allein nicht hinzufügen. Das Modell liefert nur die Stimme, daher kommen Musik und Effekte aus der Tonspur deines Projekts oder aus einer anderen Generierungsquelle. Das macht es ideal für Videoprojekte, in denen du Voiceovers über vorhandene Musikbetten oder Sounddesign legst.



















