Google представила две новые модели синтеза речи — Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. Вместо набора готовых голосов сервис теперь предлагает гибкий инструмент для создания аудио с собственными голосами и управлением каждой репликой.
Разработчик может задавать темп, характер исполнения, шёпот и другие элементы подачи, а также добавлять смех, вздохи и короткие реакции для каждой реплики отдельно с помощью текстовых указаний.
Обе модели генерируют длинное аудио без потери качества и естественности на протяжении нескольких часов. Режим двух говорящих создаёт диалоги из одного сценария с раздельными голосами и естественной очередностью реплик.
Gemini 3.8 Flash-Lite TTS рассчитана на масштабные проекты — дубляж, аудиоконтент и голосовых ИИ-агентов.
По данным Google, Flash TTS заняла первое место в бенчмарке Voice Design от Hume AI с результатом 71,4 балла, а в тесте моделирования акцента — 60,8 балла. Flash TTS и Flash-Lite TTS также заняли первое и второе места в индексе Overall Quality Index.
В слепых пользовательских оценках на Voice Arena модели показали сильные результаты в японском, бразильском португальском, вьетнамском, арабском, мексиканском испанском и хинди.
Google добавила клонирование голоса по 30-секундной записи — только для собственного голоса или при наличии разрешения владельца. Система проверяет согласие, а результат защищается водяным знаком SynthID и метаданными C2PA.
Модели уже доступны в Google AI Studio с отдельным интерфейсом для голосовых сценариев, а также через Gemini API. Интеграцию анонсировали Agora, LiveKit, Pipecat и Vercel.
Flash TTS позволяет задавать роль, акцент и характеристики голоса для более чем 100 языков и диалектов, а библиотека включает свыше 2000 готовых голосов, включая региональные варианты испанского, французского и английского.