Google-მა Gemini 3.8 ტექსტის მეტყველებად გარდაქმნის მოდელები წარადგინა

Google Alphabet Inc.-მა ↘ 2.88% ოთხშაბათს წარადგინა Gemini 3.8 Flash TTS და Gemini 3.8 Flash-Lite TTS, ორი ტექსტის მეტყველებად გარდაქმნის მოდელი, რომლებიც კომპანიის ყველაზე ექსპრესიულ აუდიო ინსტრუმენტებად ითვლება. ორივე მოდელი უკვე ხელმისაწვდომია Gemini API-სა და Google AI Studio-ში.blog

განცხადება, რომელიც Gemini-ის აუდიო გუნდის სახელით პროდუქტის ჯგუფის მენეჯერმა ლილანდ რეჩისმა და კვლევითი მეცნიერების დირექტორმა ალან კოუენმა გაავრცელეს, ამ ორ მოდელს ერთმანეთის შემავსებელ ინსტრუმენტებად წარმოაჩენს: Flash TTS ღრმა შემოქმედებითი მიზნებისთვის, ხოლო Flash-Lite TTS მაღალი მოცულობისა და ხარჯთეფექტური აპლიკაციებისთვის.unite+1

ხმის პერსონალიზებული შექმნა მასშტაბურად

Gemini 3.8 Flash TTS მომხმარებლებს საშუალებას აძლევს შექმნან ორიგინალური ხმები ბუნებრივი ენის მოთხოვნების გამოყენებით, სადაც შესაძლებელია როლის, აქცენტისა და ვოკალური მახასიათებლების განსაზღვრა 100-ზე მეტ ენასა და დიალექტზე. ეს გამოშვება Google-ის ხმების ბიბლიოთეკას 30-დან 2000-ზე მეტ მზა ვარიანტამდე ზრდის, მათ შორის რეგიონული ვარიაციებით, როგორიცაა მექსიკური ესპანური, კვებეკური ფრანგული და შოტლანდიური ინგლისური.ndtvprofit+2

ხმის რეპლიკაციის ფუნქციას შეუძლია 30-წამიანი აუდიო ნიმუშიდან ვოკალური პროფილის აღდგენა, იმ პირობით, თუ მომხმარებელს აქვს შესაბამისი უფლებები. Google-ის განცხადებით, სისტემა მოითხოვს ხმის მფლობელის მიერ ჩაწერილ ზეპირ თანხმობას, ხოლო ყველა გენერირებული აუდიო აღჭურვილია SynthID-ის წყლის ნიშნითა და C2PA სერტიფიკატით. AI Studio-ს მეშვეობით ხმის რეპლიკაცია არ არის ხელმისაწვდომი ილინოისში, ტეხასში, ევროპის ეკონომიკურ ზონაში, დიდ ბრიტანეთში, შვეიცარიასა და ინდოეთში.unite+1

შესრულება და შეფასებები

ორივე მოდელი მხარს უჭერს ხაზგასმულ შესრულებას, ხანგრძლივი აუდიოს გენერაციას და პოდკასტებისა და დრამატული თხრობისთვის განკუთვნილ ორხმიანი სცენების დადგმას. არავერბალური ნიშნები, როგორიცაა სიცილი, კვნესა და აქტიური მოსმენის რეპლიკები, შეიძლება ჩაიწეროს დიალოგში.blog

Google-ის ცნობით, Gemini 3.8 Flash TTS-მა Hume AI-ის ხმის დიზაინის რეიტინგში პირველი ადგილი დაიკავა 71.4 ქულით, ხოლო აქცენტების მოდელირებაში 60.8 ქულით ლიდერობს. ორივე მოდელი Hume AI-ის საერთო ხარისხის ინდექსში პირველ და მეორე ადგილებს იკავებს. Voice Arena-ზე ჩატარებულ ბრმა ტესტირებებში მოდელებმა საუკეთესო შედეგები აჩვენეს იაპონურ, ბრაზილიურ პორტუგალიურ, ვიეტნამურ და ჰინდი ენებზე.ndtvprofit+1

ხელმისაწვდომობა და პარტნიორები

დეველოპერული პლატფორმები Agora, LiveKit, Pipecat და Vercel მოდელებს Gemini API-ის მეშვეობით უჭერენ მხარს, ხოლო კომპანიები, მათ შორის Figma, HeyGen, Linguana, Wondercraft, 99.co და Ollang, TTS მოდელებს გახმოვანების, მედიის ლოკალიზაციისა და ხმოვანი აგენტების აპლიკაციებისთვის იყენებენ. Gemini Enterprise-ის მეშვეობით კორპორატიული წვდომა მალე იქნება ხელმისაწვდომი.unite+2