Google пусна Gemini 3.8 Flash TTS с дизайн на глас чрез подкани
Google представи Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS — два модела за преобразуване на текст в реч от семейството Gemini Audio. Те вече са достъпни чрез Gemini API и Google AI Studio. Достъпът е само през API, а отворени тегла за самостоятелно хостване не се предоставят. Достъп за предприятия чрез Gemini Enterprise е обявен за по-късен момент.
Flash TTS е насочен към творчески задачи като игри, аудиокниги, подкасти и интерактивни медии. Моделът създава нови гласове по текстови описания на роля, акцент и характеристики на гласа в над 100 езика и диалекта. Flash-Lite TTS е предназначен за мащабни и по-икономични приложения, включително дублаж и гласови агенти. И двата модела позволяват управление на тембър, темпо, актьорски указания и реакции чрез естествен език.
Разработчиците получават достъп до над 2 000 готови за продукция гласа, при 30 оригинални гласа в предишната версия. Репликацията изисква 30-секунден аудиозапис и съответстващ запис на устно съгласие. Всеки генериран клип съдържа воден знак SynthID, а репликираните гласове получават и удостоверения C2PA. Според Hume AI Flash TTS е начело в Voice Design Benchmark с резултат 71,4, докато Flash-Lite е втори в Overall Quality Index.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на MarkTechPost. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.