Gemini 3.8 Flash TTS и Flash-Lite TTS: новые модели генерации речи от Google
Google анонсировала две новые модели синтеза речи — Gemini 3.8 Flash TTS и Gemini 3.8 Flash‑Lite TTS. Обе стали доступны 23 сентября 2026 года и позиционируются как самые выразительные аудиомодели в линейке Gemini.
Чем отличаются две модели
Модели входят в семейство Gemini Audio и продолжают линейку, куда уже входили 3.5 Live Translate, 3.5 Transcribe, 3.8 Live и 3.8 Live Extended Thinking. Gemini 3.8 Flash TTS ориентирована на творческие задачи: создание голосов персонажей и построчную режиссуру сцен. Gemini 3.8 Flash‑Lite TTS, напротив, оптимизирована для больших объёмов и экономии — подходит для массового дубляжа, производства аудиоконтента и работы голосовых агентов.
Создание голосов и работа с диалогом
Flash TTS позволяет генерировать голос с нуля через обычный текстовый запрос, указывая роль, акцент и другие характеристики. Поддерживается более 100 языков и диалектов, в библиотеке есть свыше 2000 готовых голосов, включая региональные варианты (мексиканский испанский, квебекский французский, шотландский английский). Возможно клонирование голоса по 30‑секундному образцу — своему или тому, на котором у пользователя есть права. Созданные голоса можно сохранять и переиспользовать, обеспечивая одинаковое звучание в разных проектах. Функция ремикширования голоса (настройка тембра, высоты, темпа и акцента) заявлена как «скоро».
Построчное управление и сцены с двумя говорящими
Обе модели дают возможность управлять подачей на уровне отдельных строк: менять темп, эмоции, диалект, добавлять ремарки вроде смеха или вздоха для естественности диалога. Есть нативная постановка сцен с двумя говорящими из одного сценария — голоса разделены, а смена реплик выглядит естественно. Для длинных форматов обещают сохранение качества и тембра на протяжении часов аудио с минимальным дрейфом голоса, что важно для подкастов и аудиокниг.
Результаты тестов и сравнение с конкурентами
В бенчмарке Voice Design от Hume AI Gemini 3.8 Flash TTS заняла первое место с результатом 71,4, а также лидирует в моделировании акцентов — 60,8. По индексу Overall Quality Index того же Hume AI модели заняли первое и второе места. В слепых оценках человеческих предпочтений на Voice Arena обе модели вошли в топ среди конкурентов по ряду языков, включая японский, бразильский португальский, вьетнамский, современный стандартный арабский, мексиканский испанский и хинди. По сравнению с предыдущей версией Gemini 3.1 Flash TTS отмечены улучшения в работе с длинным контентом и управлении диалогом двух говорящих.
Доступность и защита от подделок
Flash TTS доступна разработчикам через Gemini API и Google AI Studio, всем пользователям — в Gemini Notebook; для бизнеса планируется выпуск «скоро» через API в Gemini Enterprise. Flash‑Lite TTS также доступна разработчикам там же, а всем пользователям — в Google Vids, для предприятий тоже «скоро» в Gemini Enterprise. В Google AI Studio открыта площадка для работы со звуком: можно создать голос с нуля или клонировать свой и перенести его в редактор сценариев для двух говорящих. Среди партнёров, уже использующих модели, названы Figma, HeyGen, Linguana, Wondercraft, 99.co и Ollang; среди платформ для развёртывания — Agora, LiveKit, Pipecat и Vercel. Для клонирования голоса требуется запись устного согласия владельца голоса, совпадающая с эталонным образцом. Каждый сгенерированный фрагмент помечается невоспринимаемым водяным знаком SynthID и снабжается метаданными C2PA, чтобы синтезированную речь можно было распознать и снизить риск дезинформации.
На что обратить внимание при оценке
Заявленные первые места основаны на бенчмарках и слепых оценках самой Hume AI, а не на независимых измерениях, поэтому лидерство стоит проверять на собственных задачах. Ключевые обещания — стабильность голоса на часах аудио и клонирование по 30 секундам — удобнее всего тестировать именно на длинных записях и на языках с редкими диалектами, где обычно проявляется дрейф тембра.
Таким образом, Gemini 3.8 Flash TTS и Flash‑Lite TTS предлагают разные подходы к генерации речи: одна — для творческой работы с персонажами и детальной режиссуры, другая — для массового производства и экономии ресурсов. Обе модели поддерживают многоязычность, построчное управление, защиту от подделок и уже интегрированы в ряд популярных инструментов и платформ.
