Gemini научили создавать голоса с нуля по описанию

Google DeepMind выпустил две новые модели синтеза речи, Gemini 3.8 Flash TTS и облегчённую Flash-Lite TTS. Голос теперь собирают с нуля по словесному описанию акцента и характера, а для точного повтора чужого голоса достаточно тридцатисекундной записи при подтверждённом согласии автора. На тесте Hume AI по дизайну голоса старшая модель заняла первое место с оценкой 71.4, и обе версии уже доступны через Gemini API и Google AI Studio.

Голос по текстовому описанию убирает необходимость в студии и актёре, если в продукте нужна озвучка. Я подключаю голосовые модели в свои проекты через API, и любопытно одно ограничение. Клонирование голоса недоступно в нескольких регионах мира и требует явного согласия автора, это скорее защита от подделки, чем лазейка. Первое место в одном бенчмарке ещё не значит живое звучание в длинном диалоге, это стоит проверить на слух перед тем, как ставить модель в продукт.