Gemini 3.1 Flash TTS Preview

Gemini 3.1 Flash TTS — модель Google для синтеза речи, то есть для превращения текста в звук. Внутри у неё большая языковая модель, поэтому она понимает не только что сказать, но и как: голосом можно управлять обычным текстовым запросом. Сейчас модель доступна как предварительная версия в Gemini API, Google AI Studio, Vertex AI и в Google Vids.

Главное отличие от линейки Gemini 2.5 TTS — точное управление подачей. Прямо в текст можно вставлять звуковые теги в квадратных скобках: попросить сказать фразу шёпотом, радостно или со смехом. Всего таких тегов больше двухсот. В AI Studio можно описать сцену, задать каждому говорящему характер и режиссёрские заметки, а потом одной кнопкой получить готовый код для API. Ещё в 3.1 появилась потоковая выдача: звук начинает приходить до того, как сгенерирован весь фрагмент. В рейтинге синтеза речи Artificial Analysis модель, по данным Google, набрала 1211 очков Elo.

Модель берут для озвучки роликов, подкастов, голосовых помощников и обучающих материалов. Она умеет вести диалог двух голосов, на выбор есть 30 готовых голосов с разным характером. Google заявляет поддержку более 70 языков, язык текста модель определяет сама.

Ограничения Google называет в документации. Говорящих в одном запросе может быть не больше двух. Иногда модель вместо звука возвращает текст, и запрос приходится повторять. Если указания в запросе расходятся с характером выбранного голоса, звучание может стать непоследовательным, а на записях длиннее нескольких минут качество может «поплыть». Весь сгенерированный звук помечается невидимым водяным знаком SynthID, чтобы синтезированную речь можно было распознать.

источники:Анонс в блоге Google ↗Документация по синтезу речи в Gemini API ↗