google-audio-generation

# Google Audio Generation Esta skill cubre la task `google.audio.generate` del Worker. La implementacion actual usa la Gemini API preview de TTS y devuelve audio WAV en base64 o lo guarda a disco si se indica `output_path`. ## Requisitos reales - `GOOGLE_API_KEY` en el Worker - salida de red hacia Gemini API - modelo TTS disponible: por defecto `gemini-2.5-flash-preview-tts` Si falta `GOOGLE_API_KEY`, la task responde: ```json {"ok": false, "error": "Google Gemini API no configurada"} ``` ## Task disponible Task: `google.audio.generate` ### Payload minimo ```json { "text": "Hola, soy Rick y este es un audio de prueba." } ``` ### Payload recomendado ```json { "text": "Hola David. Te dejo un resumen de los cambios de hoy.", "voice": "Kore", "model": "gemini-2.5-flash-preview-tts", "instructions": "Habla en espanol neutro, tono profesional y ritmo pausado.", "output_path": "G:\\Mi unidad\\Rick-David\\audio\\resumen.wav" } ``` ## Parametros | Campo | Tipo | Requerido | Notas | |------|------|-----------|-------| | `text` | str | si | Texto a convertir en audio | | `voice` | str | no | Voz prebuilt; default `Kore` | | `model` | str | no | Default `gemini-2.5-flash-preview-tts` | | `instructions` | str | no | Instrucciones de estilo o tono | | `output_path` | str | no | Guarda el WAV a disco ademas de devolver base64 | ## Respuesta ```json { "audio_b64": "UklGR...", "audio_size_bytes": 48244, "duration_seconds": 4.7, "voice": "Kore", "model": "gemini-2.5-flash-preview-tts", "mime_type": "audio/L16;codec=pcm;rate=24000", "usage": { "promptTokenCount": 12, "candidatesTokenCount": 80, "totalTokenCount": 92 }, "output_path": "G:\\Mi unidad\\Rick-David\\audio\\resumen.wav" } ``` ## Comportamiento real del handler - la API devuelve PCM y el Worker lo envuelve como WAV; - la muestra por defecto es `24 kHz`, `PCM16`, mono; - `duration_seconds` se calcula a partir del buffer real; - si Gemini responde HTTP error, el handler levanta `RuntimeError` con el body seguro; - si no viene `inlineData`, la task falla de forma explicita. ## Cuando conviene usarla - pruebas de TTS con Google o Gemini - borradores de locucion - audio corto de validacion - comparacion contra `azure.audio.generate` ## Cuando no conviene usarla - si necesitas garantia de soporte estable de produccion; - si la VM o el Worker no tienen `GOOGLE_API_KEY`; - si necesitas streaming o control fino de formato mas alla del WAV que genera el Worker. ## Anti-patrones - No prometer soporte mas alla de la task actual. - No asumir que usa Vertex; hoy usa `GOOGLE_API_KEY` y Gemini API. - No declarar exito si el archivo no se guardo y tampoco llego `audio_b64`. - No inventar una lista de voces "oficial" mas alla de la voz realmente probada o configurada. ## Siguiente verificacion util Para comprobar la ruta completa, usa una prueba corta con `output_path` y revisa: - que el archivo exista; - que `audio_size_bytes > 0`; - que `duration_seconds` sea razonable; - y que el `usage` venga poblado.