Google расширяет аудио возможности новыми моделями Gemini TTS
Google запустил две специализированные модели Gemini 3.8 Flash для синтеза речи, направленные на революцию в рабочих процессах производства аудио. Стандартная модель Gemini 3.8 Flash TTS предназначена для интерактивного развлечения, разработки игр и расширенных повествований, требующих точного голосового направления на основе промптов. Тем временем более легкая версия Gemini 3.8 Flash-Lite TTS обрабатывает автоматизированный дубляж, разговорных агентов для обслуживания клиентов и быстрые конвейеры перевода, требующие высокой пропускной способности и эффективности.
Широкая библиотека голосов и функции ремикса
Обе модели расширяют аудио-инструментарий Google, предоставляя доступ более чем к 2000 предустановленным голосовым профилям, охватывающим более 100 языков, включая специализированные варианты, такие как квебекский французский, шотландский английский и мексиканский испанский. Разработчики теперь могут генерировать речь через простые текстовые промпты, а в предстоящем обновлении использовать модуль ремикса голоса для тонкой настройки элементов, таких как тембр, высота тона, темп речи и региональные акценты, непосредственно через текстовые инструкции, не требуя отдельных аудиосэмплов.
Сильные результаты в независимых бенчмарках
Третьестороннее тестирование подтвердило качество моделей. На бенчмарке Hume AI Voice Design основная модель Gemini 3.8 Flash TTS набрала 71.4 в целом и лидировала в моделировании акцентов с рейтингом 60.8. Она также заняла первое место в индексе общего качества Hume AI, в то время как версия Lite заняла второе место, превзойдя предыдущие результаты Gemini 3.1 Flash TTS.
Двойные слепые оценки в Voice Arena подтвердили сильные предпочтения слушателей к моделям на языках, включая японский, бразильский португальский, вьетнамский, современный стандартный арабский, мексиканский испанский и хинди. Системы превосходно справляются с многоголосыми сценариями, поддерживая естественный поток диалога и разделение голосов во время длительных разговоров, со стабильным качеством даже в многочасовых производствах, таких как аудиокниги или подкасты.
Поддержка невербальных аудио-сигналов
Авторы могут встраивать производственные инструкции напрямую в сценарии с использованием простых тегов, таких как
Меры безопасности и верификации идентичности
Система клонирования голоса требует 30-секундный референсный аудиоклип от оригинального говорящего, сопровождаемый явным вербальным согласием. Google проверяет акустическое сходство между референсным и новыми записями перед разрешением пользовательских профилей. Все сгенерированные аудиофайлы включают неуловимые водяные знаки SynthID и метаданные C2PA, встроенные в форму волны, что позволяет легко обнаруживать синтетический контент с помощью инструментов downstream.
Доступность для разработчиков и предприятий
Обе модели доступны через Google AI Studio и Gemini API, с интеграциями, поддерживающими фреймворки от Agora, LiveKit, Pipecat и Vercel. Ранние партнеры включают Figma, HeyGen, Linguana, Wondercraft, 99.co и Ollang для приложений в медиапереводе и обслуживании клиентов. Конечные пользователи могут попробовать стандартную модель TTS внутри Gemini Notebook, в то время как Google Vids использует Lite-версию. Пользователи предприятия получат административный доступ к API в предстоящих обновлениях.