Gemini 2.5 Flash Preview TTS

Gemini 2.5 Flash Preview TTS — модель Google для синтеза речи, то есть для превращения текста в звук. Она принимает только текст и возвращает только аудио. Модель вышла весной 2025 года как предварительная версия вместе с более крупной Gemini 2.5 Pro Preview TTS. Flash — более быстрый и дешёвый вариант из этой пары.

Главное отличие от обычных синтезаторов речи — управление обычными словами. В запросе можно описать, как читать текст: с каким настроением, акцентом, темпом и тоном. Кроме того, в текст можно вставлять метки в квадратных скобках, например с указанием говорить шёпотом или засмеяться. По документации, у модели 30 готовых голосов с разным характером: яркий, бодрый, твёрдый, с придыханием. Она работает более чем с 90 языками и сама определяет язык текста.

Модель умеет озвучивать диалог двух собеседников: каждому назначается свой голос и свои указания по манере речи. Поэтому её берут для озвучки статей и книг, подкастов в форме беседы, голосовых подсказок в приложениях и обучающих материалов. Позже Google выпустила обновление этих моделей: по словам компании, они стали выразительнее, точнее держат заданный стиль и темп и сохраняют голоса персонажей в диалогах.

Сама Google называет несколько ограничений. Голос не всегда совпадает с указаниями из запроса. В записях длиннее нескольких минут качество может постепенно падать. Иногда запрос случайно завершается ошибкой, и его приходится повторять. Для живого разговора с пользователем Google предлагает другие модели — с встроенным голосом через Live API, а эта модель рассчитана на озвучку готового текста.

источники:Документация: генерация речи в Gemini API ↗Анонс на I/O: обновления Gemini API ↗Обновление моделей синтеза речи Gemini 2.5 ↗