Google представил Gemini 3.8 Flash TTS и Flash-Lite TTS для голосового дизайна

Согласно материалу MarktechPost, Google выпустил Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS, две новые модели синтеза речи в своей аудиосемье Gemini. Компания называет их своими самыми выразительными моделями генерации аудио на сегодняшний день. Flash TTS ориентирован на креативное направление и голоса персонажей, тогда как Flash-Lite TTS предназначен для высокообъемного и экономичного производства. Обе модели позволяют разработчикам управлять подачей текста построчно, используя естественный язык. Вопрос о развертывании решён положительно: обе модели уже доступны через API Gemini и Google AI Studio. Доступ осуществляется только через API, без открытых весов для самостоятельного хостинга. Доступ к корпоративному API через Gemini Enterprise будет доступен в ближайшее время. Выпуск разделяет TTS на два уровня с общими управляющими элементами: Gemini 3.8 Flash TTS предназначен для глубокого креативного направления и дизайна персонажей. Основные области применения включают игры, погружающие аудиокниги, подкасты и интерактивные медиа. Он предлагает детальный контроль над актерскими подсказками, ритмом, акцентами и обратной связью. Gemini 3.8 Flash-Lite TTS создан для высокообъемного, экономичного масштаба. Google позиционирует его для дублирования, создания аудиоконтента и выразительных голосовых агентов, предлагая тонкий контроль над тоном, ритмом и нюансами выражения. В AI Studio ссылки на площадку используют идентификаторы моделей gemini-3.8-flash-tts и gemini-3.8-flash-lite-tts. В новой версии Gemini TTS предлагается 30 оригинальных голосов, а версия 3.8 переходит на гораздо более крупную голосовую систему. Генеративный дизайн голоса: Flash TTS создает новые голоса на основе подсказок, описывающих роль, акцент и характеристики голоса. Это работает на более чем 100 языках и диалектах. Демо Google включает диджея из Мельбурна, монотонного робота и японского дракона. Библиотека голосов: разработчики получают более 2000 готовых к производству голосов. Охват включает региональные варианты, такие как мексиканский испанский, кебекский французский и шотландский английский. Сохранение и масштабирование: пользовательские голоса могут быть сохранены и повторно использованы с минимальным отклонением между проектами. Вскоре будет доступно смешивание голосов: пользователи смогут регулировать тембр, высоту, скорость и акцент библиотечного голоса с помощью подсказок. Обе модели принимают сценические указания, написанные в сценарии. Gemini также может управлять подачей на основе естественных подсказок сценария. Долгосрочная генерация: качество голоса, ритм и тембр сохраняются на протяжении нескольких часов непрерывного аудио. Нативная двухголосая постановка: один сценарий управляет многоразовым разговором с различными, разделенными голосами. Вокальные всплески: невербальные подсказки, такие как , и , добавляют разговорную текстуру. Обратная связь: активные вставки, такие как |mhm| и |yeah|, контролируют реакционные моменты и комедийное время. Репликация голоса и контроль безопасности: репликация голоса создает согласованный голосовой профиль на основе 30-секундного аудиофрагмента. Фрагмент должен быть вашим голосом или голосом, на использование которого у вас есть права. Репликация требует записи согласия от владельца голоса, сопоставленной с эталонным говорящим. Каждый фрагмент из моделей Gemini Audio несет водяной знак SynthID. Этот невидимый знак встраивается непосредственно в аудиовыход. Реплицированные голоса также имеют учетные данные C2PA для контента. Google указывает на карточку модели Gemini 3.8 Audio для более широкой стратегии безопасности. Результаты бенчмарков: Google сообщает о следующих результатах для новых моделей: Бенчмарк дизайна голоса Hume AI: Flash TTS занимает 1-е место с общим баллом 71.4. Моделирование акцентов: Flash TTS лидирует с баллом 60.8. Общий индекс качества Hume AI: Flash TTS занимает 1-е место, а Flash-Lite TTS — 2-е. Blind preference Voice Arena: обе модели занимают ведущие позиции в японском, бразильском португальском, вьетнамском, современном стандартном арабском, мексиканском испанском и хинди. Ключевые выводы: Google запустил Gemini 3.8 Flash TTS для креативной работы и Flash-Lite TTS для масштабирования. Flash TTS разрабатывает новые голоса на основе подсказок на более чем 100 языках и диалектах. Разработчики получают более 2000 производственных голосов, увеличившись с 30 оригинальных. Репликация голоса требует 30-секундного образца плюс запись согласия. Flash TTS занимает 1-е место в Бенчмарке дизайна голоса Hume AI с 71.4. Материал подготовлен нейросетью на основе оригинальной публикации. ИИ может ошибаться в деталях (цифры, имена, даты, цитаты) — для важной информации сверяйтесь с первоисточником. Enveda привлекла 311 миллионов долларов для клинических испытаний ИИ-препаратов NVIDIA представляет инструмент для проверки готовности GPU-кластеров к ИИ-нагрузкам Contrastive-LM представила CLM-8B, модель, которая ускоряет действия агентов до 9 раз по сравнению с Jev. TypeSafe AI представила модель Jev для принятия решений без генерации текста. Meta представила новые функции для ИИ-агента Muse, включая цифрового аватара и интеграцию с умными очками.