Google представи моделите за синтез на реч Gemini 3.8 Flash
Google представи Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS, които компанията определя като най-изразителните си модели за генериране на аудио досега. Те са предназначени за създаване на персонализирани гласове, режисиране на диалози и многоезични аудио преживявания в Google AI Studio, Gemini API, Gemini Notebook и Google Vids, а по-късно и в Gemini Enterprise.
Flash TTS е насочен към проектиране на оригинални гласове за персонажи и управление на изпълнението ред по ред, включително с указания за актьорска игра, темпо, диалект и разговорни реакции. Flash-Lite TTS е оптимизиран за мащабни и по-ефективни като разход приложения като дублаж, аудиосъдържание и гласови агенти. Според Google Flash TTS поддържа създаване на гласове на над 100 езика и диалекта, а библиотеката включва над 2 000 готови за производство гласа.
Моделите могат да генерират продължително аудио и сцени с двама говорители, както и реакции като смях или въздишка. Копирането на глас изисква 30-секунден запис и проверка на съгласието. Аудиото получава воден знак SynthID. Google съобщава, че Flash TTS е на първо място в Voice Design Benchmark на Hume AI с резултат 71,4, а Flash-Lite е втори в индекса Overall Quality Index. И двата модела се внедряват чрез Gemini API и Google AI Studio.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на DeepMind. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.