Google представила Gemini 3.8 Flash TTS и Flash-Lite TTS — две модели для генерации речи, которые умеют создавать собственные голоса и клонировать их по короткой записи. Они рассчитаны на аудиокниги, подкасты, игры, дубляж и голосовых ИИ-агентов.

Gemini 3.8 Flash TTS позволяет задать голос персонажа текстовым запросом: его роль, акцент и характеристики поддерживаются более чем для 100 языков и диалектов. В библиотеке есть свыше 2000 готовых голосов, включая региональные варианты испанского, французского и английского.

Для клонирования достаточно 30-секундной записи. Google заявляет, что функция предназначена для собственного голоса или голоса, на использование которого получено разрешение. Система проверяет согласие владельца, а сгенерированное аудио защищается SynthID и метаданными C2PA.

После выбора голоса можно отдельно управлять каждой репликой: менять темп и манеру исполнения, добавлять шёпот, смех, вздохи и другие реакции. Модели также поддерживают многочасовую генерацию и диалоги двух персонажей с разными голосами.

По данным Google, Flash TTS набрала 71,4 балла в Voice Design от Hume AI и 60,8 в тесте моделирования акцента. Flash TTS и Flash-Lite TTS заняли первое и второе места в Overall Quality Index.

Обе модели уже доступны в Google AI Studio и через Gemini API. Их интеграцию также анонсировали Agora, LiveKit, Pipecat и Vercel. Flash-Lite TTS при этом рассчитана на масштабную генерацию аудио и работу голосовых ИИ-агентов.