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.
VoiceStudio (ранее OmniVoice-Studio) — локальное приложение для клонирования голоса, дубляжа видео, диктовки и создания длинных аудиозаписей. Поддерживает 16 движков синтеза речи, 11 движков распознавания и каталог из 646 языков. Работает на macOS, Windows и Linux без аккаунта, API-ключа или подписки для базовых функций.
Pocket TTS от Kyutai — лёгкий синтезатор речи на CPU. Установка через pip, генерация — вызов функции. Без GPU и внешних API. Модель 100М параметров, задержка ~200 мс.
Поддерживает английский, французский, немецкий, португальский, итальянский, испанский. Возможно клонирование голоса, стриминг аудио, работа с текстами любой длины. Скорость ~6x быстрее реального времени на MacBook Air M4. Использует всего 2 ядра CPU.
VibeVoice — семейство open-source моделей голосового AI. Ключевая инновация — непрерывные токенизаторы речи с частотой 7.5 Гц. Они повышают эффективность обработки длинных последовательностей. Модели используют next-token diffusion и LLM для контекста.