Инструмент Voice Design позволяет создавать синтетические голоса на основе текстовых описаний, исключая необходимость в аудиореференсах или правах дикторов. Сервис доступен через API Gradium и Studio, в том числе на бесплатном тарифе. Созданные голоса работают через стандартный эндпоинт потокового Text-to-Speech с той же задержкой и форматами вывода, что и каталожные голоса.
Модель принимает описания длиной от 1 до 500 символов на английском, французском, испанском, португальском и немецком языках. Система учитывает такие параметры, как пол, возраст, акцент, тембр, темп, энергия и назначение голоса. Один запрос обычно генерирует от 1 до 5 вариантов за 3–5 секунд.
Технический процесс включает четыре API-вызова для генерации ID кандидатов, проверки готовности, прослушивания через TTS-эндпоинт и сохранения выбранного голоса. Для кандидатов действуют ограничения: текст прослушивания до 100 символов, работа только через REST и удаление через 30 дней. Конвертация бесплатна и занимает один слот кастомного голоса; на бесплатном тарифе доступно 5 слотов, на платных — 1 000.
По данным Gradium, в слепом тесте из 7 627 сравнений на пяти языках инструмент показал винрейт 72,6%, опередив ElevenLabs (59,0%), Inworld (44,8%), Fish Audio (36,7%) и MiniMax (31,7%). Наилучшие результаты достигнуты в региональных акцентах: квебекский французский (97%), риоплатский испанский (86%) и баварский немецкий (85%).
Рейтинг подтвердил модельный судья Gemini 3.1 Pro: Gradium получил 4,06 балла, ElevenLabs — 3,86. Также компания заявляет о точности следования промптам на уровне 83,4% в английском сегменте академического бенчмарка InstructTTSEval.
