ИИтак
Поиск

← Назад

модель · Google · вышла 23 сентября

Gemini 3.8 Flash-Lite TTS

Лёгкая и недорогая модель Google для массовой озвучки текста: дубляж, голосовые агенты, чтение вслух

О модели

Gemini 3.8 Flash-Lite TTS — модель синтеза речи (TTS, от text-to-speech — превращение текста в речь). Google выпустила её вместе с Gemini 3.8 Flash TTS и называет быстрой и экономной «рабочей лошадкой» для больших объёмов. Язык текста модель определяет сама и говорит больше чем на 100 языках. Тон, темп и подачу отдельных реплик задают обычными словами в запросе. В текст можно вставлять и неречевые звуки, например смех или вздох.

Старшая модель пары, Flash TTS, рассчитана на творческую работу: персонажей для игр, аудиокниги, подкасты, голоса, созданные с нуля по описанию. По документации, она точнее передаёт голос и актёрские оттенки и знает около 130 языков. Lite уступает ей в этом ради скорости, низкой задержки и цены. API у обеих одинаковый, поэтому, чтобы перейти с одной на другую, достаточно поменять один параметр. Google рекомендует Lite вместо прежней предварительной версии gemini-3.1-flash-tts-preview. Компания ссылается на оценки Hume AI: там Lite заняла второе место по общему индексу качества (Overall Quality Index).

Её берут для автоматического дубляжа видео, потоковой озвучки переводов и функций чтения вслух. Ещё один сценарий — голосовые агенты, то есть программы, которые разговаривают с клиентами. В такой связке речь распознаёт одна модель, ответ пишет языковая, а озвучивает его Flash-Lite TTS. Разработчикам доступна библиотека из более чем 2000 готовых голосов с региональными акцентами. Можно создать голос по описанию или скопировать чужой по 30-секундной записи. Длинные задания модель принимает пакетами, а обычные пользователи встретят её в редакторе видео Google Vids.

Модель только озвучивает текст: она не рассуждает, не вызывает внешние функции и не ведёт живой разговор. Для диалога в реальном времени у Google есть Gemini 3.8 Live. Лучше всего Lite справляется с речью одного диктора. Скопировать голос можно только с согласием владельца, записанным его голосом. В Google AI Studio эта функция не работает в Иллинойсе, Техасе, Европейской экономической зоне, Великобритании, Швейцарии и Индии. Во весь созданный звук встраивается неслышимый водяной знак SynthID, по которому можно распознать синтезированную речь.

источники:Анонс Gemini 3.8 Flash TTS и Flash-Lite TTS в блоге Google ↗Карточка модели в документации Gemini API ↗Руководство по синтезу речи в Gemini API ↗

Рейтинг Voice Arena

Синтез речи вслепую сравнивают парами носители языка, распознавание оценивают по доле ошибок в словах. Русский язык Voice Arena не оценивает. Данные: Voice Arena, обновлены 4 ноября.

Новости о модели

все упоминания · 24

  1. Google добавила голосовой модели Gemini 3.8 Live видеоаватар для бизнеса

    Аватар Live Avatar почти в реальном времени двигает губами и меняет мимику под речь модели на 97 языках, его получили клиенты Gemini Enterprise.

  2. Саймон Уиллисон сделал страницу для озвучки диалогов моделями Gemini 3.8

    Уиллисон испытал новые модели озвучки Google: 78 секунд диалога двух персонажей сгенерировались примерно за 20 секунд и обошлись в 2,74 цента.

  3. Модели озвучки Gemini 3.8 создают голоса по описанию и копируют по записи

    Модель Google Gemini 3.8 Flash TTS создаёт голос по описанию на 100 с лишним языках, а копирует чужой голос только с записанного согласия владельца.

  4. Google встроила голосовую Gemini 3.8 Live в Gmail, Docs и поиск. Кому это доступно

    Версия 3.8 Live Extended Thinking появилась в Gemini Live для всех пользователей, а в Gmail и Keep — у подписчиков Google AI. По данным Google, в индексе качества речи Artificial Analysis она на первом месте.

  5. Google выпустила голосовые модели Gemini 3.8 Live для разработчиков

    Модели Google ведут голосовой разговор и одновременно в фоне обращаются к сервисам, а версия с размышлениями заняла первое место в рейтинге голосовых моделей Artificial Analysis.

Данные: models.dev (MIT).