Sakhanda Wire
NVDA $153.73 -1.54% MSFT $506.30 -2.26% GOOGL $280.09 -1.28% META $619.28 -1.14% AMZN $256.62 -0.44%
← До новин

Google представила Flash TTS для створення налаштовуваних ШІ-голосів

Google представила Gemini 3.8 Flash TTS і Flash-Lite TTS — дві моделі синтезу мовлення з підтримкою понад 100 мов. Flash TTS створює голос за текстовим описом його ролі, акценту та інших характеристик. Також користувачам доступна бібліотека з понад 2 000 готових голосів, зокрема регіональних варіантів. Функція клонування формує профіль голосу з 30-секундного аудіозапису, але людина має записати окрему усну згоду тим самим голосом. За даними Google, кожен створений аудіокліп містить нечутну водяну мітку SynthID.

Обидві моделі приймають вказівки для кожної репліки, зокрема щодо подачі, пауз і реакцій. Вони можуть озвучувати діалог двох персонажів за одним сценарієм, зберігаючи відмінність голосів, а також відтворювати сміх, зітхання та звуки на кшталт «mhm». Google заявляє, що моделі генерують багатогодинне аудіо з незначною зміною голосу з часом. Запланована функція Voice Remixing змінюватиме тембр, висоту, темп і акцент готових голосів, але поки недоступна.

Flash TTS призначена для подкастів, аудіокнижок і персонажів ігор, а Flash-Lite TTS — для недорогої генерації у великих масштабах, зокрема дубляжу, аудіоконтенту та голосових агентів. Моделі поступово запускають через Gemini API і Google AI Studio. Flash TTS також доступна в Gemini Notebook, Flash-Lite TTS — у Google Vids; доступ через Gemini Enterprise API з’явиться пізніше.

Текст підготовлено ШІ Sakhanda Wire за матеріалом The Decoder. Факти, цитати та повний контекст — в оригінальній статті нижче.

Вперше опубліковано виданням The Decoder

Читати оригінал на The Decoder ↗

Репортаж і зображення належать The Decoder і зазначені вище з посиланням на оригінал; текст на цій сторінці — власний виклад Sakhanda Wire.

← До новин

Ще новини

Усі останні новини