Google выпускает модели речи Gemini 3.8 в API и AI Studio

Google 23 сентября 2026 года представил Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS, две модели синтеза речи, которые он описал как самые выразительные модели генерации аудио на данный момент. Обе модели начали распространяться в тот же день в Gemini API и Google AI Studio.

Объявление, написанное менеджером группы продуктов Леландом Речисом и директором исследовательской науки Аланом Коуэном от имени команды Gemini Audio, позиционирует Gemini 3.8 Flash TTS для детальной творческой режиссуры и разработки персонажей в играх, иммерсивных аудиокнигах, подкастах и интерактивных медиа. Gemini 3.8 Flash-Lite TTS создан для использования в больших объёмах, экономичной работы, оптимизирован для дубляжа, создания аудио контента и голосовых агентов с тонким управлением тоном, темпом и выразительными нюансами. Объявление представляет пару как продолжение более ранних выпусков Gemini Audio: 3.5 Live Translate, 3.5 Transcribe и Gemini 3.8 Live и 3.8 Live Extended Thinking. Согласно карточке модели Gemini 3.8 Audio, модели основаны на Gemini 3 Pro, а варианты TTS принимают текстовый ввод до 8K токенов и возвращают аудио‑вывод до 64K токенов.

Проектирование голоса и репликация

Google заявила, что Gemini 3.8 Flash TTS может создавать индивидуальные голоса с нуля с помощью подсказок на естественном языке, настраивая роль, акцент и характеристики голоса более чем на 100 языках и диалектах. Компания сообщила, что выпуск расширил первоначальный набор из 30 голосов до библиотеки более 2 000 голосов, готовых к использованию в проектах, с широким языковым покрытием, включая региональные варианты, такие как мексиканский испанский, квебекский французский и шотландский английский. Пользователи могут сохранять свои пользовательские голоса и управлять ими, чтобы поддерживать стабильность звучания в текущих проектах, а функция ремикса голоса, позволяющая регулировать тембр, высоту, темп и акцент у голосов библиотеки, объявлена как «скоро станет доступна».

Репликация голоса воссоздаёт стабильный голосовой профиль из 30‑секундного аудио‑образца собственного голоса пользователя или голоса, право использовать который есть у пользователя. Google заявила, что возможность поставляется со встроенной проверкой согласия, водяным знаком SynthID и данными о происхождении C2PA.

Управление исполнением и заявленные показатели

Обе модели позволяют управлять каждой частью исполнения построчно: пользователи могут писать собственные сценические указания или позволить Gemini управлять подачей на основе естественных подсказок из сценария. Google заявила, что генерация длинных аудиозаписей сохраняет качество голоса, темп и тембр персонажей стабильными в течение часов непрерывного аудио с минимальными изменениями голосовой идентичности говорящего; эта возможность предназначена для подкастов и аудиокниг. Встроенная постановка сцен с двумя голосами управляет диалогами с несколькими обменами репликами из единого сценария, при этом два голоса остаются раздельными с естественной сменой реплик. Предусмотренные сценарием вокальные проявления и короткие реакции слушателя добавляют невербальные сигналы, такие как <laughs>, <sigh>, и <gasp>, плюс междометия вроде «мгм» и «да».

По результатам оценок Google сообщила, что Gemini 3.8 Flash TTS занял первое место в общем рейтинге Voice Design Benchmark от Hume AI с оценкой 71,4 и также возглавил моделирование акцентов с оценкой 60,8. Было заявлено, что Flash TTS и Flash‑Lite TTS занимают первое и второе места в Overall Quality Index от Hume AI, и новые модели демонстрируют значительные улучшения по сравнению с Gemini 3.1 Flash TTS в сценариях использования, включая длительный контент и управление диалогом двух голосов. В слепых оценках предпочтений людей на Voice Arena Google заявила, что обе модели заняли лидирующие позиции среди конкурентов на языках, включая японский, бразильский португальский, вьетнамский, современный стандартный арабский, мексиканский испанский и хинди.

Безопасность, ограничения и доступность

Согласно системе проверки согласия пользователь должен предоставить запись устного согласия владельца голоса, чей голос совпадает с голосом говорящего в эталонном образце, прежде чем можно будет создать реплицированный голос. Каждый аудиоклип, генерируемый моделями Gemini Audio, содержит водяной знак SynthID, который Google описывает как незаметный и встроенный непосредственно в аудиовывод, чтобы ИИ‑сгенерированная речь оставалась обнаруживаемой.

В карточке модели перечислены известные ограничения, включая галлюцинации и периодические замедления или проблемы с тайм‑аутом, а также указан предел знаний — январь 2025 года. Что касается безопасности передовых моделей ИИ, Google DeepMind заявила, что её оценки не обнаружили значимых новых возможностей или существенного повышения производительности в моделях Gemini 3.8 Audio по сравнению с Gemini 3.7 Flash, которая, по её оценкам, не достигла ни отслеживаемых, ни критических уровней возможностей в рамках их Frontier Safety Framework. На этой основе было сказано, что модели Gemini 3.8 Audio вряд ли достигнут этих уровней.

Gemini 3.8 Flash TTS также доступен в Gemini Notebook, а Flash‑Lite TTS — в Google Vids, при этом корпоративный доступ через API в Gemini Enterprise объявлен как «скоро». Google AI Studio добавляет аудио‑площадку, построенную как рабочее пространство проектирования голоса, где разработчики могут создавать новые вокальные идентичности с нуля или реплицировать голос, а затем управлять построчным исполнением в редакторе сценариев с двумя голосами. Сноска в объявлении указывает, что репликация голоса через AI Studio недоступна в Иллинойсе, Техасе, Европейской экономической зоне, Соединённом Королевстве, Швейцарии и Индии. Платформы для разработчиков Agora, LiveKit, Pipecat и Vercel поддерживают модели через Gemini API, а Google назвала Figma, HeyGen, Linguana, Wondercraft, 99.co и Ollang партнёрами, интегрирующими новые модели TTS для глобального дубляжа, локализации медиа и разговорных голосовых агентов.