Gemini 3.8 Flash TTS: голоса под описание и клонирование

Что в ролике
Если вам нужен управляемый синтетический голос, Google выпустила две модели: Gemini 3,8 Flash TTS для креативных сценариев и Flash Light TTS для массовой озвучки, где важнее цена. Главная новинка — дизайн голоса: вместо выбора из пресетов вы описываете персонажа, акцент и характер на естественном языке, и модель собирает голос для более чем 100 языков. В библиотеке больше 2000 голосов, а клонирование по 30-секундному образцу требует отдельной записи согласия, которая должна совпасть с референсным голосом. Каждый сгенерированный клип получает водяной знак SynthID и метаданные C2PA, что Google подаёт как защиту от подделок. По бенчмаркам всё неоднозначно: свои же тесты Hume AI ставят Flash TTS на первое место, а независимые замеры Artificial Analysis по рейтингу Elo — на второе, тогда как Light-версия оказывается шестой. Демо в Colab показывают управление стилем реплик, встроенные теги вроде шёпота и смеха, диалог двух спикеров и клонирование, но клон голоса автора получился заметно непохожим на оригинал. Цена у модели средняя по рынку, Light-версия ненамного дешевле обычной, и автор предлагает выбирать обычный Flash для коротких задач, если разница в цене не критична.
Практика
- Что получишь
- Понимание разницы между креативной и массовой озвучкой, а также возможность описать голос персонажа текстом и оценить качество синтеза без локального оборудования.
- Первый шаг
- Открыть AI Studio или Colab-ноутбук из описания, выбрать модель Gemini 3,8 Flash TTS и сгенерировать первый голос по короткому описанию.
- Цифры
- —100 языков — столько поддерживает дизайн голоса по описанию
- —2000+ голосов — размер встроенной библиотеки, из которой можно выбрать и донастроить
- —30 секунд — длина референс-записи, достаточная для клонирования голоса
- —50% — настолько Flash TTS дороже Light-версии, при этом автор почти не заметил разницы в качестве
- Честно
- Собственного продукта или платного курса автор не продвигает — только стандартная просьба подписаться. Ссылки на ноутбук в речи нет, его нужно искать в описании, а настройки и код в Colab видны только на экране. Клонирование доступно не во всех странах и штатах США, и автор сам отметил, что его синтетический голос непохож на оригинал.
Если слова незнакомы — 7 терминов
- TTStext-to-speech, синтез речи из текста
- клонирование голосасоздание синтетической копии голоса человека по образцу
- референсный голособразец голоса, на который должна быть похожа синтетическая речь
- SynthIDводяной знак Google, встроенный в сгенерированное аудио для отслеживания
- C2PAстандарт метаданных, подтверждающий происхождение и обработку файла
- Colabоблачный блокнот Google для запуска кода в браузере
- Eloметод сравнения моделей по победам в парах, как рейтинг шахматистов
Связки из этого ролика
1 шт.- Google Gemini TTS + Google AI Studio + Google Colab
Компоненты
13 шт.Формат: обзор · для практикующих · уверенность разметки 0.9 · источник