Η Google λανσάρει τα μοντέλα μετατροπής κειμένου σε ομιλία Gemini 3.8

Η Google Alphabet Inc. ↗ 1.62% παρουσίασε την Τετάρτη τα Gemini 3.8 Flash TTS και Gemini 3.8 Flash-Lite TTS, δύο μοντέλα μετατροπής κειμένου σε ομιλία που χαρακτήρισε ως τα πιο εκφραστικά εργαλεία παραγωγής ήχου έως τώρα. Και τα δύο μοντέλα άρχισαν να διατίθενται άμεσα μέσω του Gemini API και του Google AI Studio.blog

Η ανακοίνωση, την οποία υπογράφουν ο Group Product Manager Leland Rechis και ο Director of Research Science Alan Cowen εκ μέρους της ομάδας Gemini Audio, παρουσιάζει τα δύο μοντέλα ως συμπληρωματικά εργαλεία: το Flash TTS για βαθιά δημιουργική κατεύθυνση και το Flash-Lite TTS για εφαρμογές υψηλού όγκου και οικονομικής αποδοτικότητας.unite+1

Δημιουργία προσαρμοσμένων φωνών σε κλίμακα

Το Gemini 3.8 Flash TTS επιτρέπει στους χρήστες να δημιουργούν πρωτότυπες φωνές από το μηδέν μέσω εντολών φυσικής γλώσσας, καθορίζοντας τον ρόλο, την προφορά και τα φωνητικά χαρακτηριστικά σε περισσότερες από 100 γλώσσες και διαλέκτους. Η κυκλοφορία επεκτείνει τη βιβλιοθήκη φωνών της Google από 30 πρωτότυπες φωνές σε περισσότερες από 2.000 έτοιμες για παραγωγή επιλογές, καλύπτοντας περιφερειακές ποικιλίες όπως τα ισπανικά του Μεξικού, τα γαλλικά του Κεμπέκ και τα σκωτσέζικα αγγλικά.ndtvprofit+2

Μια λειτουργία αναπαραγωγής φωνής μπορεί να αναδημιουργήσει ένα φωνητικό προφίλ από ένα δείγμα ήχου 30 δευτερολέπτων, υπό την προϋπόθεση ότι ο χρήστης έχει τα δικαιώματα για τη συγκεκριμένη φωνή. Η Google δήλωσε ότι το σύστημα απαιτεί ηχογράφηση προφορικής συγκατάθεσης από τον κάτοχο της φωνής, ενώ όλος ο παραγόμενος ήχος φέρει υδατογράφημα SynthID και διαπιστευτήρια C2PA. Η αναπαραγωγή φωνής μέσω του AI Studio δεν είναι διαθέσιμη στο Ιλινόις, το Τέξας, τον Ευρωπαϊκό Οικονομικό Χώρο, το Ηνωμένο Βασίλειο, την Ελβετία και την Ινδία.unite+1

Επιδόσεις και συγκριτικά τεστ

Και τα δύο μοντέλα υποστηρίζουν σκηνοθεσία απόδοσης ανά γραμμή, παραγωγή μεγάλου μήκους σε διάρκεια ωρών και εγγενή σκηνοθεσία σκηνών με δύο ομιλητές για podcast και δραματική αφήγηση. Μη λεκτικά στοιχεία όπως γέλια, αναστεναγμοί και επιφωνήματα ενεργής ακρόασης μπορούν να ενσωματωθούν στο σενάριο του διαλόγου.blog

Η Google ανέφερε ότι το Gemini 3.8 Flash TTS κατέλαβε την πρώτη θέση στο Voice Design Benchmark της Hume AI με βαθμολογία 71,4 και ηγήθηκε στη μοντελοποίηση προφοράς με 60,8. Τα δύο μοντέλα κατέχουν την πρώτη και τη δεύτερη θέση στον Overall Quality Index της Hume AI. Σε τυφλές αξιολογήσεις προτίμησης χρηστών στο Voice Arena, τα μοντέλα κατέλαβαν την κορυφή σε γλώσσες όπως τα ιαπωνικά, τα πορτογαλικά Βραζιλίας, τα βιετναμέζικα και τα χίντι.ndtvprofit+1

Διαθεσιμότητα και συνεργάτες

Οι πλατφόρμες προγραμματιστών Agora, LiveKit, Pipecat και Vercel υποστηρίζουν τα μοντέλα μέσω του Gemini API, ενώ εταιρείες όπως οι Figma, HeyGen, Linguana, Wondercraft, 99.co και Ollang ενσωματώνουν τα μοντέλα TTS για μεταγλώττιση, τοπική προσαρμογή μέσων και εφαρμογές φωνητικών πρακτόρων. Η εταιρική πρόσβαση μέσω του Gemini Enterprise αναμένεται σύντομα.unite+2