Google научила Gemini копировать голос по 30-секундной записи

Google выпустила две новые модели для генерации речи: Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. Они уже появляются в Gemini API и Google AI Studio.

Главная функция Flash TTS — создание копии голоса по 30-секундному аудиофрагменту. Для этого владелец голоса должен отдельно записать устное согласие. Система проверяет, совпадает ли человек на этой записи с голосом из исходного образца.

Сгенерированные аудиофайлы получают цифровую метку SynthID. Копии реальных голосов также снабжаются данными C2PA, которые помогают определить происхождение контента.

Flash TTS рассчитана на игры, аудиокниги и подкасты. Пользователь может описать нужный голос обычными словами — например, указать роль, акцент и характер речи. Модель работает более чем со 100 языками и диалектами. Доступна и библиотека из двух тысяч готовых голосов.

Подачу можно менять для каждой реплики. Сценарий поддерживает диалоги двух персонажей, смех, вздохи и короткие междометия. Модели также умеют создавать записи продолжительностью в несколько часов. В будущем Google обещает добавить настройку тембра, высоты, темпа и акцента уже готового голоса.

Flash-Lite TTS стала более дешёвой версией для массовой генерации. Google предлагает использовать её для дубляжа и голосовых ассистентов, где стоимость каждого аудиофрагмента особенно важна.

По данным Google, Flash TTS заняла первое место в тесте Voice Design Benchmark от Hume AI с результатом 71,4 балла. Обе модели также получили высокие оценки в слепых сравнениях на японском, хинди и мексиканском варианте испанского.

Новые модели уже интегрируют Figma, HeyGen и другие сервисы. Flash TTS появится в Gemini Notebook, а Flash-Lite TTS — в Google Vids. Google выводит клонирование голоса из отдельных демонстраций прямо в инструменты для массового производства контента.