memex-lab/product-launch-video-skill

Gemini Text-to-Speech

Erzeuge natürliche, ausdrucksstarke Sprache aus Text mit Google Gemini TTS. Unterstützt über 70 Sprachen, 30 vorgefertigte Stimmen und Stilkontrolle über natürliche Sprachbefehle und Audio-Tags.

Voraussetzungen: Node.js 18+, ffmpeg, @google/genai npm-Paket, GEMINI_API_KEY Umgebungsvariable.

Verfügbare Skripte

• scripts/generate-tts.mjs — All-in-One TTS-Generator mit konsistenter Stimmführung, split basierend auf Stille und automatischem Trimmen.

Schnellstart

Einzelner Text-zu-Sprache

npm install @google/genai
GEMINI_API_KEY=your-key node scripts/generate-tts.mjs \
  --text "Hallo, willkommen zu unserem Produkt!" \
  --output-dir public/vo \
  --voice Kore

Mehrsegment-Voiceover (konsistente Stimme)

Erstelle eine segments.json:

[
  { "id": "intro", "text": "Willkommen zu unserem Produkt-Launch." },
  { "id": "features", "text": "Hier sind die drei Funktionen, die Sie lieben werden." },
  { "id": "close", "text": "Starten Sie noch heute auf unserer Webseite." }
]

Ausführen:

GEMINI_API_KEY=your-key node scripts/generate-tts.mjs \
  --segments segments.json \
  --output-dir public/vo \
  --voice Kore \
  --director-notes "Tonalität: Warmherzig, selbstbewusst, inspirierend. Stil: Professioneller Erzähler mit einem Lächeln in der Stimme. Akzent: Neutrales amerikanisches Englisch. Tempo: Moderato."

Ausgabe (JSON auf stdout):

{
  "success": true,
  "segments": [
    { "id": "intro", "file": "public/vo/vo-intro.mp3", "duration": 3.25 },
    { "id": "features", "file": "public/vo/vo-features.mp3", "duration": 4.10 },
    { "id": "close", "file": "public/vo/vo-close.mp3", "duration": 2.80 }
  ],
  "totalDuration": 10.15,
  "fullAudioFile": "public/vo/vo-full.wav"
}

Skript-Optionen

Flag	Standard	Beschreibung
--segments DATEI	—	JSON-Datei mit [{id, text}] Segment-Definitionen
--text TEXT	—	Einzelner Text zum Generieren (Alternative zu --segments)
--output-dir VERZ	—	Ausgabeverzeichnis für Audiodateien (erforderlich)
--voice NAME	Kore	Name der vorgefertigten Stimme (siehe Stimmentabelle)
--model NAME	gemini-3.1-flash-tts-preview	Gemini TTS Modell-ID
--director-notes TEXT	—	Anweisungen zur Performance: Stil, Tempo, Akzent, Atmung, Artikulation. Kontrolliert nicht Geschlecht/Alter (dafür --voice verwenden).
--retries N	3	Maximale Wiederholungsversuche bei API-Fehlern
--trim / --no-trim	--trim	Stille an Segmentgrenzen entfernen
--format FORMAT	mp3	Ausgabeformat: mp3 oder wav

Exit-Codes

Code	Bedeutung
0	Erfolg
1	Fehlende erforderliche Argumente oder Umgebungsvariablen
2	API-Fehler nach erschöpften Wiederholungen
3	ffmpeg nicht installiert oder Verarbeitung fehlgeschlagen
4	Datei-I/O-Fehler

Funktionsweise (Mehrsegment)

Gemini TTS GARANTIERT KEINE Stimmkonsistenz über separate API-Anfragen hinweg. Das Skript löst dies, indem es:

1. Alle Segmente in EINEN Prompt mit [3 Sekunden Pause]-Markierungen dazwischen kombiniert
2. Eine einzelne durchgehende Audiodatei in einem API-Aufruf generiert
3. Stillelücken mit ffmpeg silencedetect erkennt, unter Verwendung adaptiver Schwellenwerte (Start bei noise=-35dB, d=1.5s, schrittweise Lockerung). Wird eine exakte Übereinstimmung gefunden, wird sie direkt verwendet. Tritt ein Schwellenwertsprung auf (zu wenige → zu viele), wird die Audio mit schnellerer Sprechgeschwindigkeit neu generiert, um die Pausen zwischen den Segmenten deutlicher zu machen, und die Erkennung dann wiederholt.
4. An den Stille-Mittelpunkten in einzelne Segmentdateien aufteilt
5. Restliche Stille (~1.5s pro Seite) von jedem Segment trimmt, dabei 0.15s Atemraum belässt

Modelle

Modell	Am besten geeignet für
gemini-3.1-flash-tts-preview	Neuestes, am steuerbarsten, 200+ Audio-Tags (Standard)
gemini-2.5-flash-preview-tts	Schnell, gute Qualität, allgemeine Verwendung
gemini-2.5-pro-preview-tts	Höchste Qualität, komplexe Performances

Stimmen

30 vorgefertigte Stimmen:

Stimme	Geschlecht	Charakter	Tonhöhe
Achernar	Weiblich	Sanft	Höher
Achird	Männlich	Freundlich	Mitteltief
Algenib	Männlich	Rauchig	Tiefer
Algieba	Männlich	Glatt	Tiefer
Alnilam	Männlich	Fest	Mitteltief
Aoede	Weiblich	Leicht	Mittel
Autonoe	Weiblich	Hell	Mittel
Callirrhoe	Weiblich	Lässig	Mittel
Charon	Männlich	Informativ	Tiefer
Despina	Weiblich	Glatt	Mittel
Enceladus	Männlich	Hauchig	Tiefer
Erinome	Weiblich	Klar	Mittel
Fenrir	Männlich	Aufgeregt	Mitteltief
Gacrux	Weiblich	Reif	Mittel
Iapetus	Männlich	Klar	Mitteltief
Kore	Weiblich	Fest	Mittel
Laomedeia	Weiblich	Fröhlich	Höher
Leda	Weiblich	Jung	Höher
Orus	Männlich	Fest	Mitteltief
Puck	Männlich	Fröhlich	Mittel
Pulcherrima	Männlich	Direkt	Mittel
Rasalgethi	Männlich	Informativ	Mittel
Sadachbia	Männlich	Lebhaft	Tiefer
Sadaltager	Männlich	Sachkundig	Mittel
Schedar	Männlich	Gleichmäßig	Mitteltief
Sulafat	Weiblich	Warm	Mittel
Umbriel	Männlich	Lässig	Mitteltief
Vindemiatrix	Weiblich	Sanft	Mittel
Zephyr	Weiblich	Hell	Höher
Zubenelgenubi	Männlich	Lässig	Mitteltief

Regieanweisungen (--director-notes)

Anweisungen zur Performance für die ausgewählte Stimme. Gib nur an, was wichtig ist – zu viele Vorgaben schränken die Kreativität des Modells ein und können die Ergebnisse verschlechtern.

Die drei häufigsten Anweisungen sind Stil, Tempo und Akzent, aber du kannst alle relevanten individuellen Anweisungen zur Performance hinzufügen.

• Stil — Emotionale Qualität und Vortragscharakter. Beschreibe ausführlich: "Ansteckende Begeisterung – der Zuhörer soll das Gefühl haben, Teil von etwas Aufregendem zu sein" funktioniert besser als nur "energetisch". Du kannst Eigenschaften schichten und Begriffe aus der Voiceover-Branche wie „stimmliches Lächeln“ verwenden.
• Tempo — Gesamte Geschwindigkeit und Rhythmusvariation. Kann von "Sprich so schnell wie möglich" bis "Unglaublich langsam und fließend, Wörter verschmelzen miteinander, null Dringlichkeit" reichen.
• Akzent — Sei spezifisch. "Britisches Englisch, wie in Croydon, England gesprochen" funktioniert viel besser als "Britischer Akzent".

--director-notes "Stil: Begeisterter und frecher GenZ-Beauty-YouTuber. Tempo: Extrem schnell, rasanter Vortrag wie bei Kurzvideo-Influencern. Akzent: Southern California valley girl aus Laguna Beach."

Audio-Tags

Inline [eckige Klammern] im Segmenttext für wortweise Steuerung. Überschreibt Regieanweisungen lokal.

[flüstert] [schreit] [aufgeregt] [ernst] [kurze Pause] [lacht] [sehr schnell] [sehr langsam] [sarkastisch] [neugierig]

Kreative Tags funktionieren auch: [wie dracula], [verschwörerisch flüsternd]

Beispiel: "[aufgeregt] Das ändert alles! [kurze Pause] Lass mich dir zeigen, wie."

Referenzen

• Prompting Guide — Fortgeschrittene Prompt-Entwicklung für Stil, Emotion und Akzent