Gemini научилась создавать и клонировать голоса

Post Thumbnail

Google выкатила Gemini 3.8 Flash TTS и Flash-Lite TTS — две модели генерации речи, которые умеют лепить собственные голоса и клонировать их по короткой записи. Целятся они в аудиокниги, подкасты, игры, дубляж и голосовых ИИ-агентов.

Gemini 3.8 Flash TTS даёт задать голос персонажа текстом: роль, акцент и характеристики тянутся более чем на 100 языков и диалектов. В библиотеке — свыше 2000 готовых голосов, включая региональные варианты испанского, французского и английского.

Для клонирования хватит 30-секундной записи. Google уверяет, что функция задумана для своего голоса или того, на который есть разрешение. Система проверяет согласие владельца, а сгенерированное аудио прикрывают SynthID и метаданные C2PA.

Выбрав голос, можно крутить каждую реплику по отдельности: менять темп и манеру, добавлять шёпот, смех, вздохи и прочие реакции. Модели тянут и многочасовую генерацию, и диалоги двух персонажей разными голосами.

По данным Google, Flash TTS набрала 71,4 балла в Voice Design от Hume AI и 60,8 в тесте моделирования акцента. Flash TTS и Flash-Lite TTS заняли первое и второе места в Overall Quality Index.

Обе модели уже доступны в Google AI Studio и через Gemini API. Интеграцию анонсировали Agora, LiveKit, Pipecat и Vercel. Flash-Lite TTS при этом нацелена на масштабную генерацию аудио и работу голосовых ИИ-агентов.

—

Телеграм про право в IT и AI. IT юристы — PravoWeb.com

Почитать из последнего
ИИ-ассистент научили разбирать документы и алерты
Главный вопрос корпоративного ИИ прост: что будет с данными после запроса? РТК-ЦОД предлагает не рисковать ими. На форуме «Цифровые решения» компания с блоком ИТ «Ростелекома» представила ассистента для организаций с жёсткими требованиями к защите.
К 2027 году чипов хватит на миллиарды ИИ-агентов
Похоже, у ИИ скоро вылезет проблема, которую не залатать покупкой ещё одного чипа. По расчётам Epoch AI, вычислительной мощности, выпущенной с 2025 по 2027 год, хватит для одновременной работы от 33 до 171 млн агентов уровня передовых моделей.
Kandinsky научился лепить видео со звуком
ИИ-видео всё меньше смахивает на немой клип. «Сбер» показал Kandinsky 6.0 Video - модель, которая разом генерит картинку и звук: речь персонажей, музыку и шумы окружения.
Три профессии, которые ИИ уже плодит прямо сейчас
ИИ перетряхивает рынок труда не только тем, что съедает привычные задачи. Вместе с автоматизацией вылезают специалисты, которых ещё несколько лет назад никто бы не вообразил, и часть таких профессий формируется на глазах.
Google научила эмбеддинги переваривать сразу пять типов данных
Google порешила, что эмбеддингам хватит возиться с одним текстом. Компания выкатила вторую версию EmbeddingGemma: теперь система сваливает в общее векторное пространство текст, код, изображения, видео и аудио. Так что на вход можно подавать сразу несколько типов данных.