Google объявила о моделях Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS для преобразования текста в речь, уделив особое внимание созданию более выразительных голосов и управлению тем, как произносится каждая строка текста. Компания заявляет, что обе модели предназначены для разработчиков, создателей контента и организаций, создающих аудиокниги, подкасты, голосовых агентов и интерактивные приложения.
Две модели для разных задач
Gemini 3.8 Flash TTS предназначена для создания пользовательских голосов и персонажей с помощью команд на естественном языке, а также для управления ролью, акцентом и характеристиками голоса более чем на 100 языках и диалектах. Google также предоставляет библиотеку из более чем 2000 готовых к производству голосов, включая региональные варианты, такие как мексиканский испанский, квебекский французский и шотландский английский.
Gemini 3.8 Flash-Lite TTS, в свою очередь, ориентирована на крупнообъёмные и менее затратные сценарии, такие как дубляж, производство аудиоконтента и голосовые агенты, которым в широком масштабе требуется управлять интонацией, ритмом и выразительными деталями.
Детальный контроль над голосовой подачей
Обе модели позволяют управлять подачей построчно с помощью инструкций, задающих скорость, эмоциональность, акцент и манеру исполнения. Среди возможностей — создание диалоговых сцен для двух говорящих из одного текста с сохранением различий между голосами и организацией чередования реплик, а также невербальные звуковые эффекты, такие как смех, вздохи, дыхание и короткие сигналы слушания.
Google заявляет, что Flash TTS может сохранять качество и ритм голоса, а также идентичность персонажа при создании длительного аудио продолжительностью в несколько часов, уменьшая изменения характеристик говорящего. Компания также работает над функцией ремикширования голосов, которая позволит изменять высоту голоса, скорость и акцент, однако она пока «скоро появится».
Клонирование голоса и заявленные меры контроля
Согласованный голосовой профиль можно создать из 30-секундного образца голоса при условии, что образец принадлежит пользователю или у него есть права на его использование. Google требует записанное голосовое согласие владельца голоса и его сопоставление с эталонным говорящим до создания голосовой копии.
Компания подчёркивает, что каждый аудиофрагмент, созданный моделями Gemini Audio, содержит невидимый водяной знак SynthID, а возможности клонирования голоса также используют учётные данные C2PA. Эти механизмы призваны упростить обнаружение аудио, созданного искусственным интеллектом, и повысить прозрачность его происхождения. При этом согласие на использование голоса другого человека и нормативные ограничения остаются ключевыми факторами, находящимися за пределами самой технической процедуры проверки.
Доступность и практические изменения
Развёртывание Gemini 3.8 Flash TTS для разработчиков через Gemini API и Google AI Studio уже началось, а для пользователей — через Gemini Notebook; позднее модель станет доступна через API в Gemini Enterprise. Flash-Lite TTS начала развёртываться через Google Vids. Google также объявила о партнёрствах или интеграциях с такими платформами и компаниями, как Agora, LiveKit, Pipecat, Vercel, Figma, HeyGen, Wondercraft и Ollang.
На практике это объявление переводит преобразование текста в речь от использования фиксированных голосов к процессу, более похожему на постановку голосового исполнения: разработка персонажа, написание инструкций по подаче, затем создание длинного или многоязычного диалога. Google заявляет, что Flash TTS заняла первое место в тесте Voice Design Benchmark от Hume AI с результатом 71.4 и в моделировании акцентов с результатом 60.8, а обе модели заняли первое и второе места соответственно в её индексе общего качества. Эти результаты представлены компанией в рамках объявления и не заменяют независимую оценку стоимости и производительности в реальных производственных сценариях.
Функция клонирования голоса недоступна через AI Studio в Иллинойсе, Техасе, Европейской экономической зоне, Великобритании, Швейцарии и Индии, согласно ограничениям, указанным в объявлении.