Google представила модели синтеза речи Gemini 3.8 Flash
Google представила Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS, назвав их своими наиболее выразительными моделями генерации аудио. Они предназначены для создания пользовательских голосов, постановки диалогов и многоязычных аудиосценариев в Google AI Studio, Gemini API, Gemini Notebook и Google Vids. Позднее доступ к ним планируется предоставить через Gemini Enterprise.
Flash TTS ориентирована на разработку оригинальных голосов персонажей и управление исполнением каждой реплики. Пользователь может задавать актерские указания, темп, смену диалекта и разговорные реакции. Flash-Lite TTS предназначена для масштабных и экономичных задач, включая дубляж, создание аудиоконтента и голосовых агентов. По данным Google, Flash TTS поддерживает разработку голосов более чем на 100 языках и диалектах, а библиотека содержит свыше 2 000 готовых голосов.
Обе модели умеют создавать длинные записи и сцены с двумя собеседниками, добавляя, например, смех или вздохи. Для копирования голоса требуются 30-секундный образец и проверка согласия владельца. Каждый созданный аудиофрагмент получает водяной знак SynthID. Google сообщает, что Flash TTS заняла первое место в Voice Design Benchmark компании Hume AI с результатом 71,4, а Flash-Lite — второе место в Overall Quality Index. Развертывание началось через Gemini API и Google AI Studio.
Текст подготовлен ИИ Sakhanda Wire по материалу DeepMind. Факты, цитаты и полный контекст — в оригинальной статье ниже.