Google kynnir Gemini 3.8 texta-í-tal líkön

Google Alphabet Inc. ↘ 2.88% kynnti á miðvikudag Gemini 3.8 Flash TTS og Gemini 3.8 Flash-Lite TTS, tvö texta-í-tal líkön sem fyrirtækið segir vera sín tjáningarmestu hljóðverkfæri til þessa. Bæði líkönin eru komin í dreifingu í gegnum Gemini API og Google AI Studio.blog

Tilkynningin, sem skrifuð var af Leland Rechis, vörustjóra, og Alan Cowen, rannsóknarstjóra, fyrir hönd Gemini hljóðteymisins, lýsir líkönunum sem viðbótartólum: Flash TTS fyrir skapandi vinnu og Flash-Lite TTS fyrir hagkvæma notkun í miklu magni.unite+1

Sérsniðin raddsköpun í stórum stíl

Gemini 3.8 Flash TTS gerir notendum kleift að búa til frumlegar raddir frá grunni með náttúrulegum málskipunum, þar sem hægt er að tilgreina hlutverk, hreim og raddblæ á yfir 100 tungumálum og mállýskum. Útgáfan stækkar raddasafn Google úr 30 upprunalegum röddum í yfir 2.000 valkosti, þar á meðal svæðisbundin afbrigði eins og mexíkósku spænsku, frönsku í Quebec og skoska ensku.ndtvprofit+2

Raddafritunareiginleiki getur endurskapað raddsnið út frá 30 sekúndna hljóðsýni, að því gefnu að notandi hafi réttindi til raddarinnar. Google segir að kerfið krefjist munnlegs samþykkis frá eiganda raddarinnar og allt hljóðefni er merkt með SynthID vatnsmerki og C2PA skilríkjum. Raddafritun í gegnum AI Studio er ekki í boði í Illinois, Texas, á Evrópska efnahagssvæðinu, í Bretlandi, Sviss og á Indlandi.unite+1

Frammistaða og viðmið

Bæði líkönin styðja línu-fyrir-línu leikstjórn, langa hljóðframleiðslu og innbyggða sviðsetningu fyrir tvo talendur í hlaðvörpum og leiklist. Hægt er að skrifa inn óorðbundin hljóð eins og hlátur, andvörp og hlustunarviðbrögð í samræður.blog

Google greindi frá því að Gemini 3.8 Flash TTS hafi náð efsta sæti á Voice Design Benchmark hjá Hume AI með 71,4 stig og leitt hreimagerð með 60,8 stig. Líkönin tvö sitja í fyrsta og öðru sæti á heildargæðavísitölu Hume AI. Í blindprófum á Voice Arena röðuðu líkönin sér í efsta sæti á tungumálum eins og japönsku, brasilískri portúgölsku, víetnömsku og hindí.ndtvprofit+1

Aðgengi og samstarfsaðilar

Forritunarvettvangarnir Agora, LiveKit, Pipecat og Vercel styðja líkönin í gegnum Gemini API, á meðan fyrirtæki á borð við Figma, HeyGen, Linguana, Wondercraft, 99.co og Ollang eru að samþætta TTS líkönin fyrir dubbing, staðfæringu efnis og raddþjóna. Fyrirtækjaaðgangur í gegnum Gemini Enterprise verður í boði fljótlega.unite+2