Google представи модели Flash TTS за персонализирани AI гласове
Google представи Gemini 3.8 Flash TTS и Flash-Lite TTS — два модела за синтез на реч, които поддържат над 100 езика. Flash TTS може да създава глас по текстово описание на неговата роля, акцент и характеристики. Потребителите могат да избират и от библиотека с над 2 000 готови гласа, включително регионални варианти. Функция за клониране изгражда гласов профил от 30-секунден аудиозапис, но човекът трябва да запише отделно изрично съгласие със същия глас. По данни на Google всеки генериран аудиоклип съдържа неуловим воден знак SynthID.
И двата модела приемат указания за отделни реплики, включително за начина на произнасяне, паузите и реакциите. Те могат да генерират диалог между двама говорители от един сценарий, като запазват гласовете различими, както и звуци като смях, въздишки и „mhm“. Google заявява, че моделите създават часове аудио с ограничена промяна на гласа във времето. Предстояща функция Voice Remixing ще позволява промени в тембъра, височината, темпото и акцента, но още не е достъпна.
Flash TTS е насочен към подкасти, аудиокниги и игрови персонажи, а Flash-Lite TTS — към по-евтино генериране в голям мащаб за дублаж, аудиосъдържание и гласови агенти. Разпространението започва чрез Gemini API и Google AI Studio, а достъпът през Gemini Enterprise API ще последва.
Текстът е изготвен от ИИ на Sakhanda Wire по материал на The Decoder. Фактите, цитатите и пълният контекст са в оригиналната статия по-долу.