Google DeepMind представила модели синтеза речи Gemini 3.8 Flash TTS
Новые модели Gemini 3.8 Flash TTS и Flash-Lite TTS трансформируют генерацию голоса из статичных пресетов в динамичный процесс. Google представила инструменты для создания персонализированных голосов, контроля темпа и эмоций, а также обеспечения безопаснос
Google DeepMind выпустила две новые модели синтеза речи Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. Они позволяют создавать кастомные голоса, детально режиссировать интонации и диалоги, а также поддерживают более 100 языков.
Главные тезисы
- Google DeepMind выпустила модели синтеза речи Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS.
- Модели позволяют создавать голоса с нуля или реплицировать существующие по 30-секундному образцу.
- Поддержка более 100 языков и детальный контроль темпа, эмоций и невербальных сигналов.
- Встроенная безопасность через верификацию согласия и водяные знаки SynthID.
- Доступно через Google AI Studio, Gemini API, Gemini Enterprise и другие платформы.
Новые модели синтеза речи
Google DeepMind представила Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. Эти модели предназначены для создания выразительного аудио, генерации кастомных голосов персонажей и управления диалогом сцен. Инструменты доступны через Google AI Studio, Gemini API, Gemini Enterprise, Gemini Notebook и Google Vids.
Модели позволяют создавать голоса с нуля или воспроизводить существующие с помощью простых текстовых запросов. Пользователи могут направлять аудио построчно, контролируя темп, эмоции и реалистичные разговорные звуки. Применение включает создание аудиокниг, подкастов и голосовых агентов в реальном времени.
Создание и настройка голосов
Модель Gemini 3.8 Flash TTS обеспечивает масштабирование от 30 оригинальных голосов до бесконечной библиотеки. С помощью естественных языковых запросов можно настраивать роль, акцент и характеристики голоса более чем на 100 языках и диалектах.
- Доступ к 2000+ готовым к производству голосам с широким языковым покрытием, включая региональные варианты, такие как мексиканский испанский, квебекский французский и шотландский английский.
- Воспроизведение согласованных вокальных профилей на основе 30-секундного аудиообразца. Для этого требуется верификация согласия владельца голоса.
- Встроенные механизмы безопасности: SynthID watermarking и учетные данные C2PA для защиты разработчиков и вокального таланта.
- Возможность сохранения и управления кастомными голосами для обеспечения стабильности производительности.
В будущем планируется возможность выбора голоса из библиотеки и тонкой настройки тембра, высоты тона, темпа и акцента с помощью промптов.
Детальный контроль исполнения
Обе модели предоставляют точный контроль над тем, как каждая строка передается. Пользователи могут писать собственные сценические указания или использовать естественные подсказки сценария для управления подачей — от спокойного голосового помощника до шепчущей сцены напряжения.
Модели поддерживают:
- Сохранение высокого качества голоса, естественного темпа и тембра персонажа в течение часов непрерывного аудио с минимальным дрейфом голоса.
- Направление многооборотных диалогов из одного сценария с естественным чередованием реплик.
- Добавление реалистичных разговорных текстур с помощью невербальных сигналов (например, , , ) и интеръекций активного слушания (например, |mhm|, |yeah|).
Производительность и безопасность
В бенчмарке Voice Design Benchmark модель Gemini 3.8 Flash TTS заняла первое место по общему показателю (71.4) и по моделированию акцентов (60.8). В индексе общего качества Hume AI модели заняли первые две позиции.
В слепых тестах предпочтения людей модели Gemini 3.8 Flash и Flash-Lite TTS показали лучшие результаты среди конкурентов на ключевых глобальных языках, включая японский, бразильский португальский, вьетнамский, современный стандартный арабский, мексиканский испанский и хинди.
Для обеспечения безопасности при репликации голоса система использует верификацию согласия: пользователь должен предоставить аудиозапись согласия владельца голоса, совпадающую с референсным спикером. Каждый сгенерированный аудиоклип содержит невидимый водяной знак SynthID, вплетенный непосредственно в аудиовыход для предотвращения дезинформации.
Доступность и интеграция
Разработчики могут протестировать модели в Google AI Studio, где доступен плейграунд для создания голосов и редактор двуспикерных сценариев. Модели интегрируются в Gemini API и платформы разработчиков.
Google сотрудничает с компаниями Figma, HeyGen, Linguana, Wondercraft, 99.co и Ollang для интеграции новых моделей TTS в глобальный дубляж, локализацию медиа и голосовые агенты.
Модели Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS доступны для использования. Репликация голосов через AI Studio недоступна в Иллинойсе, Техасе, Европейской экономической зоне, Великобритании, Швейцарии и Индии.
