Gemini 3.8 Flash TTS

Суть

Модель Google для синтеза речи: на вход подаётся текст, на выходе создаётся аудио. Она ориентирована на выразительное озвучивание, точную передачу интонации и устойчивое звучание голоса в длинных фрагментах и диалогах. Для генерации можно использовать готовые голоса, создавать голосовые образы или применять клонирование голоса.

Сильные стороны

Модель умеет передавать эмоциональные оттенки и следовать указаниям о манере речи, а также воспроизводить краткие вокальные события и паузы. Google отдельно отмечает стабильность тембра и акустического характера голоса на протяжении продолжительной озвучки. Поддерживаются региональные акценты и диалектные особенности, что может быть полезно для локализованного контента и персонажной речи.

Типовые сценарии

Модель подходит для аудиокниг, студийного повествования, озвучивания материалов и диалогов с несколькими персонажами. Её можно использовать там, где важны выразительная актёрская подача, последовательность голоса на протяжении длинного текста или произношение региональных вариантов языка. Голос можно выбрать из библиотеки или настроить под задачу.

Ограничения

Это модель преобразования текста в речь, а не универсальный чат-ассистент: её назначение — озвучивать текст. Инструкции о длительном стиле произнесения и обозначения говорящих следует передавать в структурированных метаданных. Если включить такие указания прямо в текст, модель может произнести их вслух. Внутритекстовые метки предназначены для кратких вокальных событий и пауз, а не для задания общей манеры чтения.