W tę środę Google ogłosił Gemini 3.1 Flash TTS. Model zamiany tekstu na mowę zapewnia większą kontrolę nad ekspresją wokalną i jest teraz dostępny w wersji zapoznawczej dla programistów.
Nowa funkcja integruje API Gemini i platformy takie jak Google AI Studio i Vertex AI. Ela obsługuje także lektora dla Google Vids, narzędzia do generowania wideo Workspace. Premiera odbyła się 15 kwietnia.
Modelo osiąga wysoką wydajność w niezależnych rankingach
Gemini 3.1 Flash TTS uzyskał wynik ELO na poziomie 1211 w rankingach Artificial Analysis TTS. Marka Essa plasuje ją na drugim miejscu w sumie, tuż za innym konkurentem.
Model wyróżnia się równowagą pomiędzy jakością głosu a kosztem generacji. Ele przewyższa poprzednie opcje samego Google pod względem naturalności i wyrazistości.
Z raportu Desenvolvedores wynika, że we wstępnych testach dźwięk wyjściowy brzmi bardziej zbliżony do ludzkiej mowy. Redukcja opóźnień pomaga w aplikacjach wymagających szybkiej reakcji.
- Suporte natywny dla ponad 70 języków
- Okno dialogowe z wieloma głośnikami Geração
- Incorporação Automatyczny SynthID do identyfikacji dźwięku generowanego przez AI
- Natychmiastowe Disponibilidade na Google AI Studio do testów
- Integração z Vertex AI do użytku korporacyjnego na dużą skalę
Tags Audio umożliwia precyzyjne kierowanie wykonaniem wokalu
Usuários może wstawiać polecenia tekstowe w podpowiedzi, aby dostosować aspekty głosu. Exemplos zawiera takie oznaki, jak wesoły ton, wolne tempo lub napięcie podczas wypowiedzi.
Tagi Essas pełnią funkcję wskazówek dojazdu. Elas zmienia styl, akcent, tempo i emocje bez potrzeby stosowania skomplikowanych parametrów technicznych.
generacji Após, ustawienia można wyeksportować jako gotowy kod dla API Gemini. Isso ułatwia wdrożenie w większych aplikacjach i projektach.
Ta funkcja przekształca proces w coś bardziej intuicyjnego. Desenvolvedores zyskuje elastyczność w tworzeniu narracji dostosowanych do różnych scen i kontekstów.
Model zachowuje spójność nawet w przypadku wielu głośników odtwarzających ten sam dźwięk. Ele różnicuje głosy i zarządza naturalnymi przejściami między nimi.
Integração z Google Vids rozszerza opcje lektora
No Google Vids, Gemini 3.1 Flash TTS dodaje 30 nowych głosów konwersacyjnych. Elas lepiej oddaje niuanse ekspresji i realizmu.
Opcje Todas działają teraz w 24 różnych językach, z możliwością rozszerzenia do 16 dodatkowych języków. Wdrażanie rozpoczęło się w tę środę dla domen o szybkim i zaplanowanym wydaniu.
Usuários z Workspace może generować filmy z bardziej płynną i spersonalizowaną narracją. Narzędzie płynnie łączy dźwięk z grafiką generowaną przez sztuczną inteligencję.
Dodatek wzmacnia koncentrację Google na zapewnianiu dostępności tworzenia treści. Profissionais i firmy są w stanie produkować materiały o naturalnym głosie bez tradycyjnych nagrań.
SynthID zapewnia identyfikowalność wygenerowanej treści
Todo Dźwięk wytwarzany przez Gemini 3.1 Flash TTS zawiera znacznik SynthID. Ele pozostaje niesłyszalny dla ludzkich słuchaczy, ale pozwala na późniejszą weryfikację.
Technologia pomaga identyfikować materiał stworzony przez sztuczną inteligencję. Ela zapobiega ryzyku dezinformacji lub niewłaściwego wykorzystania w wrażliwych kontekstach, takich jak wiadomości i kampanie.
Google podkreśla, że znak wodny jest częścią odpowiedzialnej strategii w rozwoju narzędzi audio.
Especialistas postrzega ten mechanizm jako ważny postęp w zakresie przejrzystości technologii generatywnych. Ele nie wpływa na postrzeganą jakość głosu.
Aktualny Disponibilidade i kolejne kroki dla programistów
Podgląd modelu jest otwarty w Google AI Studio w celu szybkiego eksperymentowania. Wersja dostępu Empresas poprzez AI Vertex, z funkcjami bezpieczeństwa w chmurze i skalowalności.
Oficjalne przewodniki Documentação dotyczące używania tagów audio i eksportowania parametrów. Praktyki Exemplos pokazują, jak stosować polecenia w prostych podpowiedziach.
Google zaleca wstępne przetestowanie interfejsu AI Studio, który obejmuje dedykowany plac zabaw dla dźwięku. Lá użytkownicy słuchają wyników w czasie rzeczywistym i udoskonalają tagi.
Aktualizacje Futuros powinny jeszcze bardziej rozszerzyć opcje głosowe i językowe. Firma nie podała szczegółowego harmonogramu, ale zasygnalizowała ciągłość w ulepszaniu linii audio Gemini.
Koncentrujemy się na zrównoważeniu wydajności, kosztów i kontroli. Desenvolvedores może teraz rozpocząć integrację modelu z prototypami i aplikacjami produkcyjnymi.
