جوجل تُطلق نماذج Gemini 3.8 الصوتية في API وAI Studio

أعلنت جوجل في 23 سبتمبر 2026 عن Gemini 3.8 Flash TTS و Gemini 3.8 Flash-Lite TTS، وهما نموذجان لتحويل النص إلى كلام وصفتهما بأنها أكثر نماذج توليد الصوت تعبيرًا حتى الآن. بدأ نشر النموذجين في نفس اليوم في Gemini API وGoogle AI Studio.

يقدّم هذا الإعلان، الذي كتبه مدير مجموعة المنتجات ليلاند ريتشيس ومدير أبحاث العلوم آلان كوين نيابةً عن فريق Gemini Audio، Gemini 3.8 Flash TTS في موقع يُتيح توجيهًا إبداعيًا عميقًا وتصميم الشخصيات عبر الألعاب والكتب الصوتية الغامرة والبودكاست والوسائط التفاعلية. تم بناء Gemini 3.8 Flash-Lite TTS للاستخدام عالي الحجم وبكفاءة تكلفة، مُحسّن للدبلجة وإنشاء المحتوى الصوتي ووكلاء الصوت مع تحكم دقيق في النغمة والإيقاع والتعبير الدقيق. يقدّم الإعلان النموذجين كمتابعة لإصدارات Gemini Audio السابقة: 3.5 Live Translate، 3.5 Transcribe، ونماذج Gemini 3.8 Live و 3.8 Live Extended Thinking. وفقًا لـبطاقة النموذج الخاصة بـ Gemini 3.8 Audio، تستند النماذج إلى Gemini 3 Pro، وتقبل إصدارات TTS مدخلات نصية تصل إلى 8K رمز وتعيد مخرجات صوتية تصل إلى 64K رمز.

تصميم الصوت واستنساخه

قالت جوجل إن Gemini 3.8 Flash TTS يمكنه إنشاء أصوات مخصصة من الصفر عبر توجيه باللغة الطبيعية، مع تخصيص الدور واللهجة وخصائص الصوت عبر أكثر من 100 لغة ولهجة. وأشارت الشركة إلى أن الإصدار يوسع مجموعة الأصوات الأصلية التي كانت 30 صوتًا إلى مكتبة تضم أكثر من 2,000 صوت جاهز للإنتاج مع تغطية لغوية واسعة، بما في ذلك التنوعات الإقليمية مثل الإسبانية المكسيكية، والفرنسية الكيبكية، والإنجليزية الاسكتلندية. يمكن للمستخدمين حفظ وإدارة أصواتهم المخصصة للحفاظ على أداء ثابت عبر المشاريع المستمرة، وتُدرج ميزة إعادة مزج الصوت التي تعدل الطابع، النغمة، الإيقاع، واللهجة على أصوات المكتبة على أنها ستتوفر قريبًا.

تُعيد خاصية استنساخ الصوت إنشاء ملامح صوتية متسقة من عينة صوتية مدتها 30 ثانية لصوت المستخدم نفسه أو صوت يملك المستخدم حق استخدامه. وقالت جوجل إن هذه الميزة تتضمن تحققًا مدمجًا من الموافقة، وعلامة مائية SynthID، واعتمادات C2PA.

توجيه الأداء الصوتي ونتائج الاختبارات المقارنة المعلنة

كلا النموذجين يتيحان توجيهًا سطرًا بسطر لكل أداء: يمكن للمستخدمين كتابة توجيهاتهم المسرحية أو السماح لـ Gemini بتوجيه الإلقاء استنادًا إلى إشارات النص الطبيعية. وقالت جوجل إن توليد المحتوى الطويل يحافظ على جودة الصوت والإيقاع وجرس صوت الشخصية ثابتًا عبر ساعات من الصوت المتواصل مع تغيّر محدود في خصائص صوت المتحدث، موجهًا للبودكاست والكتب الصوتية. يوجه تنسيق المشهد الثنائي المتحدث محادثات متعددة الأدوار من نص واحد مع الحفاظ على فصل الصوتين عبر تبادل أدوار طبيعي. تضيف الأصوات القصيرة المحددة في النص واستجابات الاستماع القصيرة إشارات غير لفظية مثل <laughs>، <sigh>، و<gasp>، بالإضافة إلى تعبيرات مثل “mhm” و”yeah”.

في التقييمات، أفادت جوجل أن Gemini 3.8 Flash TTS احتل المركز الأول العام في معيار تصميم الصوت من Hume AI بنتيجة 71.4 وتصدر أيضًا نمذجة اللهجات بـ 60.8. وقالت إن Flash TTS وFlash-Lite TTS يحتلان المركزين الأول والثاني في مؤشر الجودة العام من Hume AI، وأن النماذج الجديدة تُظهر تحسينات كبيرة مقارنةً بـ Gemini 3.1 Flash TTS عبر حالات الاستخدام بما في ذلك المحتوى الطويل والتحكم في سيناريوهات المتحدثين المزدوجين. في تقييمات تفضيل البشر العمياء على Voice Arena، صرحت جوجل أن النموذجين احتلّا المراكز العليا بين المنافسين في لغات تشمل اليابانية، البرتغالية البرازيلية، الفيتنامية، العربية الفصحى الحديثة، الإسبانية المكسيكية، والهندية.

الأمان والقيود والتوافر

بموجب نظام التحقق من الموافقة، يجب على المستخدم تقديم تسجيل موافقة شفهي من مالك الصوت يتطابق مع المتحدث المرجعي قبل إمكانية إنشاء صوت مستنسخ. كل مقطع صوتي تُولده نماذج Gemini Audio يحمل علامة مائية SynthID، التي تصفها جوجل بأنها غير ملحوظة ومدمجة مباشرةً في مخرجات الصوت لضمان إمكانية اكتشاف الكلام المُولد بالذكاء الاصطناعي.

تُدرج بطاقة النموذج القيود المعروفة بما فيها الهلوسة ومشكلات البطء أو انتهاء المهلة العرضية، وتحدِّد حد المعرفة في يناير 2025. بالنسبة لسلامة النماذج المتقدمة، صرّح Google DeepMind أن تقييماته لم تُظهر أي قدرات جديدة ذات معنى أو زيادات جوهرية في الأداء في نماذج Gemini 3.8 Audio مقارنةً بـ Gemini 3.7 Flash، حيث أظهرت تقييماته أن النموذج المقارن لم يصل إلى أي مستويات قدرة خاضعة للمتابعة أو حرجة وفقًا لإطار سلامة النماذج المتقدمة. بناءً على ذلك، أفاد أن نماذج Gemini 3.8 Audio غير مرجّحة للوصول إلى تلك المستويات.

يتوفر Gemini 3.8 Flash TTS أيضًا في Gemini Notebook وFlash-Lite TTS في Google Vids، مع وصول مؤسسي عبر API في Gemini Enterprise يُذكر أنه سيُتاح قريبًا. يضيف Google AI Studio ساحة صوتية مُصممة كمساحة عمل لتصميم الصوت، حيث يمكن للمطورين إنشاء هويات صوتية جديدة من الصفر أو استنساخ صوت ثم توجيه الإلقاء سطرًا بسطر في محرر سيناريو مزدوج المتحدثين. تُشير حاشية في الإعلان إلى أن استنساخ الصوت عبر AI Studio غير متاح في إلينوي، وتكساس، والمنطقة الاقتصادية الأوروبية، والمملكة المتحدة، وسويسرا، والهند. تدعم منصات المطورين Agora وLiveKit وPipecat وVercel النماذج عبر Gemini API، وقد سمت جوجل Figma وHeyGen وLinguana وWondercraft و99.co وOllang كشركاء يدمجون نماذج TTS الجديدة للدبلجة العالمية، وتوطين الإعلام، ووكلاء الصوت التفاعليين.