ИИтак
Поиск

← Назад

модель · Google · вышла 23 сентября

Gemini 3.8 Flash TTS

Флагманская модель Google для выразительной озвучки текста: голоса по описанию или по записи, диалоги двух персонажей

О модели

Gemini 3.8 Flash TTS — модель Google для синтеза речи (TTS, text-to-speech): она превращает текст в звучащую речь. Google выпустила её вместе с облегчённой Gemini 3.8 Flash-Lite TTS и в документации называет своей флагманской моделью озвучки для творческих задач. Язык текста модель определяет сама. В анонсе говорится о более чем 100 языках и диалектах, в документации для разработчиков — о свыше 130 языках, включая региональные акценты и диалекты языковых меньшинств.

Голос можно взять готовый: в библиотеке их больше 2000. Можно создать новый по описанию в одно-два предложения: возраст, тембр, акцент, манера речи. Такой голос сохраняется под постоянным идентификатором, в одном проекте их может быть до 200, и хранятся они год. Ещё модель копирует существующий голос по записи длиной 30 секунд, но только если владелец голоса вслух дал согласие и это согласие записано. Сценарий размечается по репликам: к каждой можно добавить указание, как её произнести, а прямо в тексте отметить смех, вздох или паузу. Модель умеет разыгрывать сцену с двумя говорящими.

По словам Google, по сравнению с Gemini 3.1 Flash TTS модель заметно лучше справляется с длинными текстами и диалогами двух персонажей. На многоминутной озвучке голос не «плывёт»: сохраняются тембр, громкость и звучание помещения. По данным компании, модель заняла первое место в бенчмарке Voice Design Benchmark от Hume AI с баллом 71,4 и лидирует там в передаче акцентов (60,8). Её берут для игр, аудиокниг, подкастов и интерактивных медиа, где важна актёрская подача. Flash-Lite TTS рассчитана на большие объёмы: она дешевле и отвечает быстрее, поэтому подходит для дубляжа и голосовых агентов.

Модель умеет только озвучивать. Она не рассуждает, не вызывает внешние функции, не ищет в интернете и не работает в режиме живого разговора: для этого у Google есть Gemini 3.8 Live. Весь звук, который она создаёт, помечается водяным знаком SynthID — незаметной на слух меткой, по которой можно распознать синтезированную речь. Копирование голоса недоступно в Иллинойсе, Техасе, Европейской экономической зоне, Великобритании, Швейцарии и Индии. Разработчикам, которые переходят с версии 3.1, придётся переделать запросы: указания к репликам теперь передаются отдельным полем, а звук по умолчанию приходит готовым WAV-файлом.

источники:Анонс Gemini 3.8 Flash TTS и Flash-Lite TTS в блоге Google ↗Страница модели в документации Gemini API ↗Создание голоса по описанию: документация ↗

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).