Google: Gemini 3.1 Flash TTS Preview

Суть

Gemini 3.1 Flash TTS Preview — модель Google для преобразования текста в речь. Она принимает текст и генерирует аудио. Это специализированная генерация озвучивания, а не универсальная модель для общения с аудио в реальном времени.

Сильные стороны

Google отмечает естественность звучания, управляемость и многоязычность среди улучшений этой версии. Подачу можно направлять промптом и выразительными аудиотегами: задавать особенности повествования, а также тон, темп и стиль речи. Для диалоговой озвучки можно распределять реплики между голосами и настраивать подачу по фрагментам. Такой подход помогает адаптировать один и тот же текст под разные форматы — например, спокойное чтение или более эмоциональное исполнение.

Типовые сценарии

Модель пригодна для озвучивания готовых текстов: повествования, аудиоконтента, реплик персонажей и диалогов. Управление манерой речи полезно, когда важно не только произнести слова, но и передать нужную интонацию. Диалоговый режим с несколькими голосами позволяет подготовить озвученную беседу из заранее заданных реплик.

Ограничения

Это предварительная версия специализированной TTS-модели: на вход подаётся текст, на выходе получается речь. Она не предназначена для интерактивных сценариев, где нужно одновременно воспринимать аудио и отвечать в реальном времени; для них в документации Google отдельно описан Live API. Результат зависит от текста и заданных инструкций по подаче, поэтому для требуемой интонации стоит проверять генерацию на конкретном материале.