Gemini 3.8: представлено преобразование текста в речь

Главный смысл: Google DeepMind представил две модели синтеза речи — Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. Генерация голоса превращается из выбора готовых пресетов в «студию»: голос можно создать с нуля текстовым описанием или воспроизвести по 30-секундной записи — со встроенной проверкой согласия и водяными знаками.

• Голоса с нуля: Flash TTS создаёт голос по описанию роли, акцента и характеристик на более чем 100 языках; вместо 30 пресетов — библиотека из 2000+ готовых голосов, включая региональные варианты вроде мексиканского испанского и квебекского французского.
• Клонирование по образцу: модель воспроизводит голос по 30-секундному сэмплу, но требует вербального согласия владельца записи; весь синтезированный звук помечается водяным знаком SynthID и учётными данными C2PA. Ремикс готовых голосов (тембр, темп, акцент) обещан «скоро».
• Режиссура по репликам: обе модели дают контроль над каждой строкой — паузы, диалекты, неречевые сигналы вроде смеха и междометий; заявлена часовая генерация без «сползания» тембра и нативная постановка диалога двух спикеров.
• Бенчмарки: по данным Google, Flash TTS — первый в Voice Design Benchmark Hume AI (71,4 балла) и лидер по акцентам (60,8); Flash и Flash-Lite заняли первое и второе места в Overall Quality Index.

Что дальше: модели уже доступны разработчикам через Gemini API и Google AI Studio; Flash TTS встроен в Gemini Notebook, Flash-Lite — в Google Vids, корпоративный доступ обещан позже. Интеграции готовят Figma, HeyGen, Wondercraft и другие партнёры. Результаты слепых тестов Voice Arena приводит сам Google, независимого подтверждения нет. Следить стоит за тем, выдержит ли механизм согласия реальный поток злоупотреблений с клонированием голосов, и за ценами Flash-Lite — на него сделана ставка в высоконагруженных сценариях.