Google представила две новые модели для генерации речи: Gemini 3.8 Flash TTS и Flash-Lite TTS. Инструменты поддерживают более 100 языков и позволяют создавать уникальные голоса на основе текстовых описаний, задавая роль, акцент и характеристики звучания.
Пользователям доступна библиотека из более чем 2000 предустановленных голосов. Функция клонирования требует 30-секундный образец аудио и запись согласия владельца голоса. Все сгенерированные файлы содержат невидимый водяной знак SynthID для идентификации ИИ-контента.
Функционал позволяет настраивать тембр, высоту, темп и акцент, а также добавлять в сценарии указания на эмоции, такие как смех или вздохи. Модели способны генерировать многочасовые аудиозаписи, сохраняя стабильность характеристик голоса.
Модели доступны через Gemini API, Google AI Studio, Gemini Notebook и Google Vids. Интеграцию уже поддерживают платформы Agora, LiveKit, Pipecat и Vercel. Вскоре ожидается запуск доступа через Gemini Enterprise API.
Стоимость использования зависит от объема аудиовывода: один час генерации равен 90 000 токенов. До конца 2026 года час работы стоит $0,81 для Flash TTS и $0,54 для Flash-Lite TTS. С 1 января 2027 года цена вырастет до $1,62 и $1,08 соответственно.
