Текстовото преобразуване в реч на Gemini 3.8 казва „здравей“

Днес представяме два нови модела за преобразуване на текст в реч към семейството Gemini, превръщайки генерирането на глас от статични предварителни настройки в динамично творческо студио. Тези модели позволяват на създатели, разработчици и предприятия да създават по-богати и по-изразителни аудио изживявания, като същевременно подобряват потребителското изживяване в продукти като Gemini Notebook и Google Vids.

• Gemini 3.8 Flash TTS: Създаден за задълбочено творческо режисиране и разработване на герои. Създавайте изцяло нови гласове от нулата чрез подкани на естествен език, за да вдъхнете живот на герои в игри, завладяващи аудиокниги, подкасти и интерактивни медии. Режисирайте всяка реплика от изпълнението с детайлен контрол върху насоките за актьорска игра, темпото, промените в диалекта и репликите за активно слушане.
• Gemini 3.8 Flash-Lite TTS: Създаден за мащабиране с голям обем и ниски разходи. Оптимизиран за дублаж с голям обем, създаване на аудиосъдържание и изразителни гласови агенти с прецизен контрол върху тона, темпото и изразителните нюанси.

Тези модели допълват бързо развиващото се семейство Gemini Audio, следвайки 3.5 Live Translate, 3.5 Transcribe, 3.8 Live и 3.8 Live Extended Thinking.

Създавайте и персонализирайте свои собствени гласове

Разширете избора си от 30 оригинални гласа до безкрайна библиотека. Независимо дали ви е необходим напълно оригинален глас на герой или последователен посланик на марката, нашият модел 3.8 Flash TTS предоставя цялостно гласово студио. Това ви позволява да създавате и използвате изразителни, естествено звучащи гласове за всеки момент, като същевременно дава възможност на разработчици и предприятия лесно да създават персонализирани аудио изживявания.

• Генеративен дизайн на глас: С Gemini 3.8 Flash TTS създавайте уникални гласове от нулата, като персонализирате ролята, акцента и характеристиките на гласа на над 100 езика и диалекта чрез подкани на естествен език — независимо дали вдъхвате живот на драматичен огнедишащ дракон или създавате харизматичен разказвач с отличителен регионален ритъм на речта.

• Богата библиотека от гласове: Получете достъп до над 2000 готови за производство гласа с широко езиково покритие — включително регионални разновидности като мексикански испански, квебекски френски и шотландски английски.
• Копиране на глас: Пресъздайте последователни гласови профили само от 30-секунден аудиозапис на вашия глас или на глас, който имате право да използвате, с вградена проверка на съгласието, водни знаци SynthID и идентификационни данни C2PA за защита както на разработчиците, така и на гласовите изпълнители.
• Запазване и мащабиране: Запазвайте и управлявайте персонализираните гласове, които сте създали, за да осигурите последователно изпълнение и минимално отклонение в текущите проекти.
• Ремиксиране на гласове: Очаквайте скоро: изберете глас от нашата библиотека и настройте фино тембъра, височината, скоростта и акцента. Използвайте подкани, за да прецизирате характеристиките (например „добави лек южняшки американски акцент“ или „направи изпълнението по-меко“).

Режисирайте изпълнението, реплика по реплика

След като изберете гласовете си, и двата TTS модела ви дават прецизен контрол върху начина, по който се произнася всяка реплика.

• Режисирайте изпълнението реплика по реплика: Напишете собствени сценични указания или оставете Gemini да насочва изпълнението с естествени подсказки в сценария — от спокоен служител за обслужване на клиенти до прошепната напрегната сцена.

• Генериране на дълго съдържание: Поддържайте високо качество на гласа, естествено темпо и тембър на героя в продължение на часове непрекъснато аудио с минимално отклонение на говорещия — идеално за подкасти и аудиокниги.
• Вградена постановка на сцени с двама говорители: Режисирайте безпроблемно разговори с множество реплики от един сценарий — независимо дали става дума за подкаст или драматичен разказ — като същевременно запазвате ясно разграничение между двата гласа и естествено редуване на репликите.
• Сценарни вокални изблици и реплики за активно слушане: Добавяйте реалистична разговорна текстура чрез невербални сигнали (като <laughs>, <sigh>, <gasp>) и междуметия за активно слушане (като |mhm| или |yeah|) за прецизен комедиен тайминг и реакционни моменти.

Получете изразително, висококачествено генериране на реч, създадено за глобален мащаб

Gemini 3.8 Flash TTS предлага водещи възможности за персонализиране на гласа, като заема първо място като цяло в Voice Design Benchmark на Hume AI (71.4), както и водеща позиция при моделирането на акценти (60.8).

Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS позволяват наистина изразителни изпълнения без компромис с надеждността, като заемат съответно първо и второ място в индекса за цялостно качество на Hume AI. В сравнение с Gemini 3.1 Flash TTS моделът показва значителни подобрения при широк спектър от случаи на употреба, като съдържание в дълъг формат и контрол на сценарии с двама говорители.

При сляпи оценки на човешките предпочитания във Voice Arena Gemini 3.8 Flash и Flash-Lite TTS заемат водещи позиции сред конкурентите на ключови световни езици, включително японски, бразилски португалски, виетнамски, съвременен стандартен арабски (MSA), мексикански испански и хинди. С поддръжка на над 100 езика тези модели дават възможност на създатели, разработчици и предприятия да изграждат висококачествени, многоезични гласови изживявания по целия свят.

Изграждайте с доверие, съгласие и прозрачност

Създадохме възможностите си за създаване и копиране на гласове със строги мерки за защита, за да помагаме за защитата на гласовите изпълнители, да уважаваме идентичността и да гарантираме прозрачност на съдържанието. При копиране на глас системата ни използва проверка на съгласието: потребителите трябва да предоставят запис на устно съгласие от собственика на гласа, който съвпада с референтния говорител, преди да бъде създаден глас.

В по-широк план всеки аудиоклип, генериран от моделите Gemini Audio, е маркиран с воден знак SynthID. Този незабележим воден знак е вплетен директно в аудиоизхода, като гарантира, че генерираната от AI реч остава откриваема и помага за предотвратяване на дезинформацията. За повече подробности относно подхода ни към безопасността и отговорността прегледайте картата на модела.

Изпробвайте новата аудио площадка на Google AI Studio

От днес разработчиците могат да изпробват тези нови възможности за генериране на реч в Google AI Studio. Създадена като работно пространство за дизайн на гласове, тя ви позволява да създавате изцяло нови гласови идентичности от нулата или да копирате собствения си глас ¹ , след което да ги пренесете директно в редактор на сценарии с двама говорители, за да режисирате изпълнението реплика по реплика.

Лесно внедрявайте високопроизводителни гласови интерфейси

С помощта на Gemini API платформи за разработчици като Agora, LiveKit, Pipecat, Vercel дават възможност на разработчиците лесно да създават и внедряват високопроизводителни изживявания за генериране на реч.

Партнираме си с компании като Figma, HeyGen, Linguana, Wondercraft, 99.co и Ollang, които интегрират най-новите ни TTS модели, за да помогнат за ускоряване на глобалния дублаж, локализиране на медии с нюансирани регионални акценти и захранване на разговорни гласови агенти в голям мащаб.

Започнете да използвате най-новите ни модели Gemini Audio:

Gemini 3.8 Flash TTS се внедрява от днес:

• За разработчици: В Gemini API и Google AI Studio
• За предприятия: Очаквайте скоро чрез API в Gemini Enterprise
• За всички: В Gemini Notebook.

Gemini 3.8 Flash-Lite TTS се внедрява от днес:

• За разработчици: В Gemini API и Google AI Studio
• За предприятия: Очаквайте скоро чрез API в Gemini Enterprise
• За всички: В Google Vids