Google випустила Gemini 3.8 Flash TTS із дизайном голосів за підказками
Google випустила Gemini 3.8 Flash TTS і Gemini 3.8 Flash-Lite TTS — дві моделі перетворення тексту на мовлення з родини Gemini Audio. Вони вже доступні через Gemini API та Google AI Studio. Доступ надається лише через API, а відкритих ваг для самостійного розгортання немає. Корпоративний доступ через Gemini Enterprise має з’явитися згодом.
Flash TTS призначена для творчих завдань, зокрема ігор, аудіокнижок, подкастів та інтерактивних медіа. Модель створює нові голоси за текстовим описом ролі, акценту й характеристик мовлення більш ніж 100 мовами та діалектами. Flash-Lite TTS оптимізована для великих обсягів і нижчої вартості, зокрема для дубляжу, створення аудіоконтенту та голосових агентів. Обидві моделі дають змогу природною мовою керувати тембром, темпом, акторськими вказівками та реакціями в розмові.
Розробники отримують понад 2 000 готових до використання голосів, тоді як попередня версія мала 30 оригінальних. Клонування голосу потребує 30-секундного зразка та окремого запису усної згоди його власника. Усі аудіокліпи містять водяний знак SynthID, а клоновані голоси також отримують облікові дані C2PA. За даними Hume AI, Flash TTS посіла перше місце у Voice Design Benchmark із результатом 71,4, а Flash-Lite — друге в Overall Quality Index.
Текст підготовлено ШІ Sakhanda Wire за матеріалом MarkTechPost. Факти, цитати та повний контекст — в оригінальній статті нижче.