Sakhanda Wire
NVDA $153.63 -1.61% MSFT $506.84 -2.15% GOOGL $280.27 -1.22% META $619.77 -1.06% AMZN $256.65 -0.43%
← Към новините

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.

Първоначално публикувано от The Decoder на

Прочетете оригинала в The Decoder ↗

Репортажът и изображението принадлежат на The Decoder и са посочени по-горе с връзка към оригинала; текстът на тази страница е собствено изложение на Sakhanda Wire.

← Към новините

Още новини

Всички последни новини