Gemini 3.8 Flash-Lite TTS

Рейтинг Voice Arena

Рейтинг	Место	Оценка
Синтез речи · английский (США)	1-е из 20	рейтинг 1087 ± 15, 636 оценок
Синтез речи · хинди	4-е из 18	рейтинг 1076 ± 15, 949 оценок
Синтез речи · португальский (Бразилия)	1-е из 12	рейтинг 1134 ± 16, 634 оценки
Синтез речи · испанский (Мексика)	2-е из 11	рейтинг 1145 ± 21, 597 оценок
Синтез речи · японский	2-е из 9	рейтинг 1152 ± 21, 594 оценки
Синтез речи · арабский литературный	2-е из 9	рейтинг 1181 ± 19, 590 оценок
Синтез речи · вьетнамский	1-е из 9	рейтинг 1156 ± 19, 581 оценка

Синтез речи вслепую сравнивают парами носители языка, распознавание оценивают по доле ошибок в словах. Русский язык Voice Arena не оценивает. Данные: Voice Arena, обновлены 26 сентября.

Характеристики

Вышла: 23 сентября
Понимает: текст
Отвечает: аудио
РассужденияПеред ответом модель рассуждает про себя: медленнее и дороже, зато точнее на трудных задачах: —
Вызов инструментовМодель сама просит программу выполнить действие — поиск, запуск кода, запрос к сервису — и продолжает с результатом. На этом держатся агенты: —
ВесаОткрытые — файлы модели выложены в свободный доступ, и запускать и дообучать её могут не только авторы. Небольшие модели работают на обычном компьютере. Большим нужны серверы с дорогими видеокартами: такие модели разворачивают компании и облачные сервисы, а остальные пользуются ими через них. Закрытые — доступ только через сервис лаборатории: —
Идентификатор в API: gemini-3.8-flash-lite-tts

Что это за модель

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