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.

Google DeepMind выпустила две модели синтеза речи: Gemini 3.8 Flash TTS создаёт голоса по описанию и копирует настоящие по записи, а Flash-Lite TTS рассчитана на массовый дубляж.

Почему это важно: Разработчики игр, аудиокниг и голосовых помощников раньше выбирали из 30 готовых голосов. Теперь можно получить голос под любую роль и задать интонацию каждой фразы.

Детали: Flash TTS не только читает текст готовыми голосами:

Создаёт голос с нуля по описанию роли, акцента и манеры речи на более чем 100 языках и диалектах — например, энергичного диджея из Мельбурна.
Копирует голос по 30-секундной записи, но сначала требует устного согласия владельца, и голос в этой записи должен совпасть с образцом.
Предлагает больше 2 000 готовых голосов, среди них мексиканский испанский, квебекский французский и шотландский английский.
Помечает весь созданный звук невидимым водяным знаком SynthID¹, а скопированные голоса — ещё и метками происхождения C2PA².

Как это работает: Обе модели озвучивают сценарий строка за строкой:

К каждой реплике можно написать свою ремарку, от спокойного тона оператора поддержки до шёпота в напряжённой сцене, или доверить подачу самой Gemini.
Смех, вздох и испуганный вдох вставляют в текст особыми тегами, а поддакивания слушателя — словами вроде «угу» и «ага».
Диалог двух персонажей строится из одного сценария, голоса не смешиваются, и реплики сменяют друг друга как в живом разговоре.
Голос и манера персонажа сохраняются на часах непрерывной записи, что нужно для подкастов и аудиокниг.

В цифрах: Google ссылается на сторонние рейтинги:

В тесте Hume AI³ на создание голоса по описанию Flash TTS заняла первое место с 71,4 балла и лидирует в передаче акцентов с 60,8 балла.
В общем индексе качества Hume AI Flash TTS стоит на первом месте, а Flash-Lite TTS — на втором.
В слепых сравнениях на Voice Arena⁴ обе модели вошли в число лучших на японском, бразильском португальском, вьетнамском, арабском, мексиканском испанском и хинди.

Предыстория: По словам Google, по сравнению с прошлой Gemini 3.1 Flash TTS сильнее всего улучшились длинные записи и диалоги двух голосов. Новые модели дополняют голосовую линейку Gemini Audio: в конце августа вышла Gemini 3.5 Transcribe для перевода речи в текст, 15 сентября — голосовые модели Gemini 3.8 Live.

Если шире: Figma, HeyGen, Wondercraft и другие компании встраивают модели в свои сервисы для дубляжа, локализации и голосовых агентов. Сама Google обещает улучшить с их помощью озвучку в Gemini Notebook и Google Vids.

Но: В AI Studio копирование голоса недоступно в Иллинойсе, Техасе, Европейской экономической зоне, Великобритании, Швейцарии и Индии. Цену моделей Google не назвала.

Что дальше: С 23 сентября обе модели постепенно открываются разработчикам в Gemini API и Google AI Studio. Корпоративным клиентам их обещают дать через API в Gemini Enterprise позже. Ещё позже появится ремикс голосов: готовый голос из библиотеки можно будет подстроить запросом вроде «добавь лёгкий акцент американского Юга».