«Из статических пресетов в динамическую творческую студию»: Google выпустила Gemini 3.8 Flash TTS и Flash-Lite TTS

Что вышло

Google представила две модели синтеза речи: Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. Первая описана как модель для глубокой творческой режиссуры и дизайна персонажей, вторая — как модель для больших объёмов и экономии. Обе заменяют выбор из готовых тембров проектированием голоса: компания формулирует это как переход от статических пресетов к динамической творческой студии.

Технически модели различаются не интерфейсом, а назначением. По документации Gemini API обе разделяют одну и ту же схему запроса и один и тот же формат подсказок, поэтому переключение между ними сводится к смене одного параметра. Идентификаторы моделей — `gemini-3.8-flash-tts` и `gemini-3.8-flash-lite-tts`. Flash-Lite прямо позиционируется как быстрая и экономичная замена `gemini-3.1-flash-tts-preview` для массового производства, каскадов голосовых агентов, функций чтения вслух и повседневной одноголосой речи на основных языках, тогда как Flash TTS ставят туда, где важны максимальная акустическая точность, нюансы игры и выразительное управление — студийная работа, сложные многоголосые диалоги, трудные произношения, региональные и миноритарные диалекты, длинные нарративы.

Обе модели продолжают линию Gemini Audio, выпущенную после 3.5 Live Translate, 3.5 Transcribe, 3.8 Live и 3.8 Live Extended Thinking.

Раздача идёт по разным каналам. Gemini 3.8 Flash TTS сегодня доступна разработчикам в Gemini API и Google AI Studio, обещана предприятиям в Gemini Enterprise и уже появилась в Gemini Notebook для всех. Gemini 3.8 Flash-Lite TTS в тот же день доступна в Gemini API и Google AI Studio, обещана в Gemini Enterprise и появляется в Google Vids. Карточка модели перечисляет каналы распространения сходным образом: для Flash TTS это Gemini API, Google AI Studio и Gemini Notebook, для Flash-Lite — Gemini API, Google AI Studio и Google Vids.

Голос как объект проектирования

Ключевое обещание — не выбор из каталога, а создание голоса по описанию. По заявлению Google, библиотека растёт с 30 исходных голосов до бесконечной, а генеративный дизайн голоса позволяет задавать роль, акцент и характеристики голоса на более чем 100 языках и диалектах обычной текстовой подсказкой — от драматичного огнедышащего дракона до харизматичного рассказчика с узнаваемой региональной интонацией. Помимо этого заявлен доступ к более чем 2 000 готовых голосов с широким языковым покрытием и региональными вариантами вроде мексиканского испанского, квебекского французского и шотландского английского.

Документация уточняет устройство библиотеки. Базовый набор — это 30 студийных голосов с именами вроде Zephyr, Kore, Puck, Charon и Leda, а Расширенная библиотека голосов добавляет к ним ещё сотни голосов по языкам, региональным акцентам, характерам персонажей и предметным областям. Просматривать, фильтровать и слушать библиотеку можно в Google AI Studio или программно через `client.voices.list()` и `GET /v1beta/voices`.

Дизайн голоса как отдельная сущность доступен через `POST /v1beta/voices` с типом `prompted`: метод возвращает постоянный идентификатор `voice_...` и превью `sample_audio` в формате WAV. Спроектированные голоса можно сохранять, чтобы они не дрейфовали между проектами. Отдельно анонсирован «ремикс» голосов: в будущем можно будет взять голос из библиотеки и донастроить тембр, высоту, темп и акцент подсказками.

Репликация голоса: 30 секунд и согласие

Вторая половина возможностей — воспроизведение существующего голоса. Google заявляет, что устойчивый голосовой профиль восстанавливается по 30-секундному образцу вашего голоса или голоса, на который у вас есть права, и что это подкреплено встроенной проверкой согласия, водяным знаком SynthID и учётными данными C2PA.

Проверка согласия не декоративна. Для репликации голоса пользователь обязан предоставить голосовую запись согласия от владельца голоса, которая совпадает с эталонным диктором, и только после этого голос может быть создан. В API репликация вызывается через `POST /v1beta/voices` с типом `replicated`: постоянное хранилище `store=True` включено по умолчанию, но есть и бессостоянийный вариант `store=False` с ключом `voicekey_...`.

Водяной знак применяется ко всей линейке, а не только к репликации: каждый аудиофрагмент, сгенерированный моделями Gemini Audio, помечается SynthID, и этот невоспринимаемый знак встраивается прямо в аудио, чтобы синтезированная речь оставалась обнаружимой и не использовалась для дезинформации. Сама технология описана как встраивание цифровых водяных знаков в сгенерированные изображение, аудио, текст или видео: знак незаметен человеку, но детектируется инструментами SynthID. Для аудио это работает, в частности, для генерации музыки и функции создания подкастов.

C2PA в этой связке отвечает за происхождение файла. Коалиция описывает свой стандарт как открытый технический стандарт, позволяющий издателям, авторам и потребителям устанавливать происхождение и правки цифрового контента, — Content Credentials работают как «этикетка пищевой ценности» для файла. Есть и географическое ограничение: репликация голоса через AI Studio недоступна в Иллинойсе, Техасе, Европейской экономической зоне, Великобритании, Швейцарии и Индии.

Режиссура по строкам

Вторая часть работы с моделями — управление исполнением. Google заявляет режиссуру строка за строкой: можно вписывать собственные сценические указания или позволять модели вести подачу по естественным ремаркам — от спокойного агента поддержки до шёпотной сцены напряжения. Модели умеют разыгрывать диалог двух собеседников из одного сценария, удерживая голоса раздельно и с естественным чередованием реплик.

Отдельно описаны вставные вокализации и поддакивания — невербальные маркеры вроде `<laughs>`, `<sigh>`, `<gasp>` и междометия вроде `|mhm|` или `|yeah|`, которые задают комическую ритмику и точки реакции. В документации есть важная оговорка о смене привычек: Gemini 3.8 TTS трактует входной текст строго как дословный транскрипт, поэтому устойчивые указания на подачу вроде «шёпотом» или «говоря медленно» и метки говорящего нужно переносить в структурные аннотации `speech_metadata`, а угловые скобки оставлять только для точечных вокальных событий — `<laugh>`, `<sigh>`, `<cough>`, `<breath>`, `<short pause>`. Звуковые эффекты вроде аплодисментов или удара в теги не выносятся, а стиль подачи указывается в `speech_metadata.style`.

Для длинных форм обещан ровный результат: высокое качество голоса, естественный темп и сохранение тембра персонажа на протяжении часов непрерывного аудио при минимальном дрейфе говорящего — что важно для подкастов и аудиокниг. Граница с голосовыми ассистентами проходит по назначению: синтез речи в Gemini API отличается от генерации речи в Live API, который рассчитан на интерактивное неструктурированное аудио и мультимодальный вход, тогда как TTS заточен под точное воспроизведение текста с тонким управлением стилем и звучанием.

Замеры и языки

Google приводит собственные результаты замеров. Gemini 3.8 Flash TTS, по заявлению компании, занимает первое место в сводной оценке Voice Design Benchmark от Hume AI с показателем 71,4 и лидирует в моделировании акцентов с 60,8. Обе модели — Flash TTS и Flash-Lite TTS — занимают первое и второе места соответственно в индексе Overall Quality Index того же бенчмарка, а по сценариям длинных форм и управления двухголосым сценарием заявлено существенное улучшение относительно Gemini 3.1 Flash TTS.

В слепых человеческих предпочтениях на Voice Arena модели заняли верхние позиции среди конкурентов в японском, бразильском португальском, вьетнамском, современном стандартном арабском, мексиканском испанском и хинди.

Языковое покрытие в документации задано точнее, чем в анонсе. Автоопределение языка включено, при этом Gemini 3.8 Flash TTS заявлена со 130 языками, а Gemini 3.8 Flash-Lite TTS — со 101 языком.

В анонсе говорится о более чем 100 языках и диалектах для генеративного дизайна голоса.

Карточка модели добавляет технические рамки семейства. Обе TTS-модели принимают текст объёмом до 8K и выдают аудио с выходом до 64K токенов, а само семейство Gemini 3.8 Audio построено на Gemini 3 Pro. Там же указана дата отсечки знаний — январь 2025 года.

Что это меняет

Голос перестаёт быть настройкой и становится активом с учётом. Документация прямо вводит квоты и сроки жизни: для состоятельных голосов, спроектированных или реплицированных с `store=True`, действует максимум 200 голосов на проект с TTL в один год, а для бессостоянийных ключей `voicekey_...` — TTL в семь дней. Это уже не выбор тембра к абзацу текста, а инвентарь, который нужно планировать и ротировать.

Вторая перемена — в арифметике многоголосых сцен. Многоголосая генерация одним запросом поддерживает до двух говорящих и только на готовых голосах; чтобы свести в диалоге спроектированные или реплицированные голоса, каждую реплику нужно синтезировать отдельно и склеивать кадры PCM с частотой 24 кГц. Это ограничение определяет, где заканчивается демо и начинается инженерия, и именно там обычно всплывают вопросы к стабильности тембра.

Третья — прозрачность как часть продукта. Проверка согласия, водяной знак SynthID и учётные данные C2PA выкатываются не отдельной инициативой, а вместе с моделями, то есть доказательство происхождения голоса становится условием доступа к возможности. Для команд, которые собирают голосовых агентов и дубляж, это переносит часть работы по комплаенсу внутрь самого синтеза.

Наконец, Google проговаривает границу риска. В карточке модели сказано, что для оценки фронтирной безопасности опирались на результаты Gemini 3.7 Flash и обнаружили, что та модель не достигла отслеживаемых или критических уровней способностей, а новые аудиомодели не демонстрируют значимых новых способностей или существенного роста относительно 3.7 Flash. Общие ограничения фундаментальных моделей при этом сохраняются, включая галлюцинации и периодические задержки или таймауты.

Как начать и где границы

Начать предлагается в аудиоплощадке Google AI Studio: она построена как рабочее место для дизайна голоса, где можно спроектировать новые вокальные образы с нуля или реплицировать собственный голос, а затем перенести их в редактор двухголосого сценария и режиссировать подачу построчно. В Gemini API обе модели поддерживают один говорящего, несколько говорящих, дизайн голоса и репликацию голоса.

Экосистема интеграций заявлена широкая. Разработчики платформ Agora, LiveKit, Pipecat и Vercel получают возможность строить и разворачивать генерацию речи через Gemini API, а среди партнёров, интегрирующих новые модели, названы Figma, HeyGen, Linguana, Wondercraft, 99.co и Ollang — их задачи описаны как ускорение глобального дубляжа, локализация медиа с региональными акцентами и голосовые агенты на больших объёмах.

Ограничения тоже названы прямо. TTS-модели принимают только текст и выдают только аудио. Одноголосая генерация стандартно возвращает WAV (`audio/wav`), а не беззаголовочный PCM, как ранние модели семейства. Языковое покрытие и квоты на пользовательские голоса описаны в документации отдельными разделами, и перед запуском в продакшен их стоит сверить с собственной нагрузкой.