Gemini научился изобретать новые голоса на основе описаний

Google DeepMind выпустил две модели синтеза речи: Gemini 3.8 Flash TTS и её компактную версию Flash-Lite TTS. Эти модели умеют генерировать синтетическую речь по текстовому описанию акцента и характера. Да, это значит, что можно клонировать чей-то голос (ну, если он согласен). И для этого понадобится всего 30-секундный аудиообразец! Кроме того, модель Gemini показала лучший результат (71.4) в бенчмарке Hume AI для синтетического дизайна голоса. Обе модели уже встроены в Gemini API и Google AI Studio.

Синтез речи из текста позволяет обойтись без дорогих студий звукозаписи и актёров. Я использую голосовые модели в своих проектах через API. Например, есть интересное ограничение — клонирование голоса. Клонирование голоса запрещено в некоторых регионах. И нужно получить разрешение от владельца исходного голоса. Даже победитель конкурса не всегда даёт качественный результат в долгом разговоре. Послушайте модель и проверьте её.