Два новых уровня производительности
Google анонсировала две новые модели семейства Gemini Audio, трансформирующие подход к синтезу речи. Gemini 3.8 Flash TTS позиционируется как инструмент для глубокого креативного контроля, позволяющий создавать персонажей с нуля. Gemini 3.8 Flash-Lite TTS оптимизирована для масштабируемости и высокой стоимости эффективности, что делает её идеальной для дубляжа и голосовых агентов.
Модели доступны через Google AI Studio, Gemini API, Gemini Enterprise и интегрированы в Google Vids. Они дополняют линейку Gemini 3.5 Live Translate и 3.8 Live, расширяя возможности работы с аудио.
Лидерство в бенчмарках и языках
Новые модели заняли первые места в независимых тестах. Gemini 3.8 Flash TTS показала лучший результат в Voice Design Benchmark от Hume AI, а также лидирует в моделировании акцентов. В слепых тестах Voice Arena модели превзошли конкурентов в ключевых языках, включая японский, бразильский португальский, вьетнамский, арабский (MSA), мексиканский испанский и хинди.
| Метрика / Модель | Gemini 3.8 Flash TTS | Gemini 3.8 Flash-Lite TTS |
|---|---|---|
| Hume AI Voice Design Benchmark | #1 (71.4) | Информация недостаточна |
| Hume AI Accent Modeling | #1 (60.8) | Информация недостаточна |
| Hume AI Overall Quality Index | #1 | #2 |
| Поддержка языков | Более 100 языков и диалектов | |
| Библиотека голосов | 2000+ готовых голосов (включая региональные вариации) | |
Генеративный дизайн и репликация голоса
Ключевая особенность Flash-версии — возможность создавать уникальные голоса с помощью текстовых промптов (например, «дракон, дышащий огнем» или «радио-диджей из Мельбурна»). Также доступна репликация голоса: достаточно 30-секундного аудиообразца. Для защиты от злоупотреблений система требует вербального согласия владельца голоса и использует водяные знаки SynthID и стандарты C2PA.
Режиссура сцены и контроль эмоций
Модели позволяют управлять каждой репликой. Разработчики могут добавлять невербальные звуки (
Доступность и безопасность
Разработчики уже могут тестировать возможности в Google AI Studio. Встроенные инструменты безопасности, включая верификацию согласия и невидимое водяное знаки SynthID, призваны обеспечить прозрачность использования AI-генерации и защитить права вокальных талантов.
Источник: Blog ↗