Google DeepMind, випустила 'Gemini 3.1 Flash TTS'… який дозволяє регулювати інтонацію та швидкість мовлення за допомогою тексту

Гуглська організація штучного інтелекту DeepMind оприлюднила нову модель синтезу голосу “Gemini 3.1 Flash TTS”. Її основна особливість полягає в тому, що вона не лише може говорити більш природно, ніж існуючі механічні голоси, а й дозволяє користувачам за допомогою текстових команд детально налаштовувати інтонацію, швидкість і атмосферу.

Керування інтонацією, тоном і швидкістю за допомогою текстових команд

Недавно компанія Google LLC через блог оголосила про запуск Gemini 3.1 Flash TTS. Ця модель у процесі перетворення відповідей чат-ботів у голос здатна враховувати командні слова, такі як “запал”, “здивування”, “інформативність”, для зміни тону і тембру.

Згідно з опублікованим демонстраційним відео, користувачі можуть не лише обирати голос, а й регулювати спосіб передачі голосу та атмосферу. Якщо попереднє покоління TTS іноді звучало “як робот”, то ця модель орієнтована на досягнення більш людської виразності.

Підтримка акцентів із англомовних регіонів і форматів подкастів

Gemini 3.1 Flash TTS також пропонує різноманітні регіональні акценти основних мов. Наприклад, для англійської доступні не лише американські “Valley” і “Southern”, а й британські “Brixton”, “RP” та інші варіанти. Також передбачені спеціальні акценти, наприклад, “через Атлантику”.

Гугл додав до цієї моделі функцію “режисерського контролю”. Користувачі можуть більш тонко налаштовувати стиль і швидкість мовлення, використовуючи шаблони для подкастів, озвучування аудіокниг, мовних наставників, голосових помічників, гідів з охорони здоров’я, новинних ведучих, фахівців служби підтримки тощо.

Особливо варто відзначити, що при встановленні сценаріїв і оточення, а також введенні реплік для керівництва, ця модель розроблена так, щоб персонажі могли вести багатократні діалоги, зберігаючи при цьому послідовність у стилі мовлення. Гугл пояснює, що налаштування можна експортувати у вигляді коду API Gemini для відтворення однакового голосу у різних проектах і платформах.

Підтримка понад 70 мов… і застосування водяних знаків

За словами Google, мета Gemini 3.1 Flash TTS — забезпечити більш природний голосовий досвід. Підтримуються понад 70 мов, включаючи японську, хінді, німецьку та інші.

Крім того, весь вихідний контент містить водяний знак SynthID. Це зроблено для полегшення ідентифікації голосового контенту, створеного штучним інтелектом, з огляду на можливі в майбутньому проблеми з глибокими підробками або поширенням фальшивих новин.

Місце друге у сліпих тестах… і доступність для розробників

Ефективність також підтверджена певною мірою. У “Artificial Analysis TTS排行榜”, що ранжує за кількістю сліпих тестів і людських переваг, Gemini 3.1 Flash TTS посів друге місце з 1211 балами. Гугл зазначає, що це означає вищу оцінку порівняно з кількома популярними моделями TTS.

Зараз розробники можуть одразу використовувати цю модель через API Gemini і Google AI Studio. Бізнес-клієнти мають доступ через Vertex AI, а звичайні користувачі — у Google Biz для тестування цієї функції.

Цей реліз свідчить про те, що конкуренція у сфері генеративного штучного інтелекту швидко розширюється з текстової і графічної до голосової. Особливо враховуючи зростаючий попит у сферах підтримки бізнесу, медіа-виробництва, освіти та створення цифрового контенту на “природний штучний голос”, Gemini 3.1 Flash TTS, ймовірно, ще більше посилить конкуренцію на відповідних ринках.

Застереження AI TP Використано мовну модель на основі TokenPost.ai для підсумку статті. Основний зміст може бути опущений або не відповідати фактам.