Новини›Sunet›Gemini 3.8 TTS говори с нови гласове и емоции
Sunet

Gemini 3.8 TTS говори с нови гласове и емоции

Google DeepMind · неделя, 8 ноември, 18:14 · 1 мин четене

Google пусна два нови модела, които създават гласове от нулата и управляват тона и акцента.

Google представи два нови модела за синтез на реч: Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. С тях можеш да създадеш глас от нулата, без да разчиташ само на готовите гласове. Моделите са наречени едни от най-изразителните, които Google е правила досега.

За всяка реплика можеш да зададеш тон, акцент и емоция. Така един и същ текст може да звучи весело, тъжно или като от робот. Моделът поддържа над 100 езика и може да води диалог между двама говорители по сценарий, което е полезно за аудиокниги, игри и подкасти.

За създаване на гласово копие е нужно записано съгласие от човека, чийто глас се копира. Системата проверява дали записът съвпада с референтния говорител. Освен това всяко аудио получава невидим воден знак SynthID, който помага да се разпознае, че е генерирано с AI.

По оценки на Hume AI Gemini 3.8 Flash TTS е първи по създаване на гласове и по моделиране на акценти. Във вътрешни тестове с хора, които слушат и избират, моделите също са на водещи места за японски, бразилски португалски, виетнамски, арабски, мексикански испански и хинди.

Моделите вече са достъпни в Google AI Studio, Gemini API и Google Vids. Можеш да пробваш Gemini TTS и в студиото на generiram.bg.

Още новини