Gemini научилась клонировать голос человека по 30 секундам записи

Компания Google представила новые модели для генерации речи — Gemini 3.8 Flash Text-to-Speech и Gemini 3.8 Flash-Lite TTS. Новые инструменты умеют не просто зачитывать текст, а менять интонацию, темп речи, акцент и эмоциональную подачу по обычным текстовым инструкциям. Одной из главных возможностей стало клонирование голоса по 30-секундной записи: если у пользователя есть разрешение владельца голоса, Gemini может создать его цифровую копию и затем использовать её для озвучки других текстов. Кроме того, модель умеет создавать полностью новые голоса по описанию — например, пользователь может указать желаемый тембр, манеру речи, скорость, эмоциональность или акцент. Таким образом, Gemini получает не только сам текст, но и подробные указания о том, как именно его нужно произнести.

В сценарии можно отдельно прописывать паузы, шёпот, смех, вздохи, изменение темпа и переключение между разными манерами речи. Google заявляет, что Gemini 3.8 Flash TTS поддерживает более 100 языков и диалектов, а пользователям доступно свыше 2000 готовых голосов. Модель также умеет озвучивать диалоги сразу двумя персонажами и сохранять их голоса неизменными на протяжении длинных записей. По словам компании, стабильность голоса может сохраняться даже при генерации нескольких часов аудио. Благодаря этому технологию можно использовать для подкастов, аудиокниг, дубляжа, видеороликов, голосовых ассистентов и других проектов, где обычная роботизированная озвучка звучит недостаточно естественно.

Gemini 3.8 Flash TTS сравнили с ElevenLabs

По опубликованным результатам тестирования, Gemini 3.8 Flash TTS заняла первое место в общем рейтинге Hume AI Voice Design Benchmark, а в отдельном тесте на воспроизведение акцентов получила 60,8 балла. Gemini 3.8 Flash и Flash-Lite также заняли первые две позиции в общем индексе качества Hume и оказались среди лидеров Voice Arena на нескольких языках. При этом ElevenLabs сохранила преимущество в некоторых отдельных категориях, включая качество конкретных голосов и естественность вариаций речи. Это показывает, что Google уже может конкурировать с одним из самых известных сервисов генерации голоса, хотя в отдельных сценариях разница между моделями пока сохраняется.

Новые модели уже начинают появляться в сервисах Google. Gemini 3.8 Flash TTS внедряется в Gemini Notebook, а облегчённая Flash-Lite TTS — в Google Vids. Разработчики смогут использовать обе модели через Gemini API и Google AI Studio, поэтому новые функции со временем могут появиться и в сторонних приложениях. Для обычных пользователей это означает, что генерация более естественной речи постепенно перестаёт быть отдельной специализированной технологией и становится частью привычных инструментов Google.

Для клонирования голоса ввели ограничения

Одновременно с запуском Google предусмотрела меры защиты от злоупотреблений. Для копирования существующего голоса необходимо подтвердить согласие его владельца, а созданные записи получают маркировку SynthID и данные C2PA, которые помогают определить происхождение аудио. Кроме того, функция клонирования голоса через AI Studio доступна не во всех регионах. Ограничения действуют, в частности, в Великобритании, странах Европейской экономической зоны, Индии, а также в американских штатах Техас и Иллинойс. В результате Google делает ставку не просто на преобразование текста в речь, а на более управляемую ИИ-озвучку, где пользователь может задавать голосу практически полноценную режиссуру.

Читайте также на LeaksMedia: Для телефона придумали чехол, который за пять секунд находит скрытые камеры.