Google, Gemini 3.8 Konuşma Modellerini API ve AI Studio’da Kullanıma Sunmaya Başladı

Google, 23 Eylül 2026’da Gemini 3.8 Flash TTS ve Gemini 3.8 Flash-Lite TTS‘i tanıttı; bu iki metinden konuşmaya dönüştürme modelini, şimdiye kadar sunduğu en yüksek ifade gücüne sahip ses üretim modelleri olarak tanımladı. Her iki model de aynı gün Gemini API ve Google AI Studio’da kullanıma sunulmaya başlandı.

Gemini Audio Ekibi adına Grup Ürün Müdürü Leland Rechis ve Araştırma Bilimi Direktörü Alan Cowen tarafından yazılan duyuru, Gemini 3.8 Flash TTS’yi oyun, sürükleyici sesli kitaplar, podcast’ler ve etkileşimli medya boyunca derin yaratıcı yönlendirme ve karakter tasarımı için konumlandırıyor. Gemini 3.8 Flash-Lite TTS, yüksek hacimli, maliyet‑verimli kullanım için inşa edilmiş; dublaj, ses içeriği oluşturma ve ton, tempo ve ifadeli nüanslar üzerinde ayrıntılı kontrol sağlayan ses ajanları için optimize edilmiştir. Duyuru, bu iki modeli önceki Gemini Audio sürümleri olan 3.5 Live Translate, 3.5 Transcribe ve Gemini 3.8 Live ve 3.8 Live Extended Thinking modellerinin devamı olarak sunuyor. Gemini 3.8 Audio model kartına göre, modeller Gemini 3 Pro üzerine inşa edilmiş ve TTS varyantları 8K tokena kadar metin girişi kabul edip 64K tokena kadar ses çıktısı üretir.

Ses Tasarımı ve Çoğaltma

Google, Gemini 3.8 Flash TTS’nin doğal dil istemiyle sıfırdan özel sesler oluşturabildiğini, rol, aksan ve ses özelliklerini 100’den fazla dil ve lehçe arasında özelleştirebildiğini belirtti. Şirket, bu sürümün orijinal 30 seslik setini 2.000’den fazla üretime hazır ses içeren geniş bir kütüphaneye ölçeklediğini, Meksika İspanyolcası, Quebec Fransızcası ve İskoç İngilizcesi gibi bölgesel çeşitlilikleri kapsadığını söyledi. Kullanıcılar, özel seslerini kaydedip yöneterek devam eden projelerde performansın tutarlı kalmasını sağlayabilir ve kütüphane seslerinde tını, perde, tempo ve aksanı ayarlayan bir ses yeniden düzenleme özelliğinin yakında geleceği belirtilmiştir.

Ses çoğaltma, kullanıcının kendi sesinden veya kullanma hakkına sahip olduğu bir sesten alınmış 30 saniyelik bir ses örneğiyle tutarlı bir vokal profilini yeniden oluşturur. Google, bu özelliğin yerleşik rıza doğrulaması, SynthID filigranı ve C2PA kaynak bilgileriyle birlikte sunulduğunu belirtti.

Performans Yönlendirme ve Bildirilen Kıyaslamalar

Her iki model de performansın satır satır yönlendirilmesine izin verir: kullanıcılar kendi sahne talimatlarını yazabilir veya Gemini’nin doğal senaryo ipuçlarından hareketle seslendirmeyi yönlendirmesini sağlayabilir. Google, uzun biçimli üretimin ses kalitesini, temposunu ve karakter tınısını saatlerce kesintisiz ses boyunca konuşmacının ses kimliğinde en az düzeyde değişimle sabit tuttuğunu, podcast ve sesli kitaplar için hedeflendiğini belirtti. Yerleşik iki‑konuşmacı sahne düzenlemesi, tek bir senaryodan birden çok karşılıklı konuşma turunu yönlendirirken iki sesi doğal söz sırası değişimleriyle ayrı tutar. Senaryoda belirtilen kısa seslendirmeler ve kısa dinleyici tepkileri, <laughs>, <sigh> ve <gasp> gibi sözsüz ipuçları ile “mhm” ve “yeah” gibi ara sözler ekler.

Değerlendirmelerde, Google, Gemini 3.8 Flash TTS’nin Hume AI’nın Ses Tasarımı Kıyaslamasında 71,4 puanla genel birincilik elde ettiğini ve aksan modellemesinde de 60,8 puanla lider olduğunu bildirdi. Flash TTS ve Flash‑Lite TTS’nin Hume AI’nın Genel Kalite Endeksi’nde birinci ve ikinci sırayı aldığını ve yeni modellerin Gemini 3.1 Flash TTS’ye kıyasla uzun biçimli içerik ve çift‑konuşmacı senaryo kontrolü gibi kullanım senaryolarında büyük iyileşmeler gösterdiğini söyledi. Voice Arena’da kör insan tercih değerlendirmelerinde, Google, iki modelin Japonca, Brezilya Portekizcesi, Vietnamca, Modern Standart Arapça, Meksika İspanyolcası ve Hintçe dahil olmak üzere birçok dilde rakipler arasında üst sıralarda yer aldığını belirtti.

Güvenlik, Sınırlamalar ve Kullanılabilirlik

Rıza doğrulama sistemi kapsamında, bir kullanıcının çoğaltılmış bir ses oluşturulmadan önce sesi referans kayıttaki konuşmacının sesiyle eşleşen ses sahibinden sözlü rıza kaydı sağlaması gerekir. Gemini Audio modellerinin ürettiği her ses klibi bir SynthID filigranı taşır; Google bunu insanlarca algılanamayacak şekilde doğrudan ses çıktısına gömülen ve AI‑tarafından üretilen konuşmanın tespit edilebilir kalmasını sağlayan bir işaret olarak tanımlıyor.

Model kartı, halüsinasyonlar ve zaman zaman yavaşlama veya zaman aşımı sorunları gibi bilinen sınırlamaları listeler ve Ocak 2025 tarihli bir bilgi kesim noktası verir. En ileri AI modellerinin güvenliği konusunda Google DeepMind, değerlendirmelerinin Gemini 3.8 Audio modellerinde Gemini 3.7 Flash’a kıyasla anlamlı yeni yetenekler veya kayda değer performans artışı bulmadığını, Gemini’nin önceki Flash sürümünün Frontier Safety Framework altında Takip Edilen veya Kritik Yetenek Seviyelerine ulaşmadığını belirtti. Bu temelde, Gemini 3.8 Audio modellerinin bu seviyelere ulaşma olasılığının düşük olduğunu söyledi.

Gemini 3.8 Flash TTS ayrıca Gemini Notebook’ta, Flash‑Lite TTS ise Google Vids’te mevcuttur; API üzerinden kurumsal erişim Gemini Enterprise içinde yakında geliyor olarak listelenmiştir. Google AI Studio, ses tasarımı çalışma alanı gibi inşa edilmiş bir ses oyun alanı ekleyerek geliştiricilerin sıfırdan yeni vokal kimlikler oluşturmasını veya bir sesi çoğaltmasını ve ardından çift‑konuşmacı senaryo editöründe satır satır yönlendirmesini sağlar. Duyurudaki bir dipnot, AI Studio üzerinden ses çoğaltmanın Illinois, Texas, Avrupa Ekonomik Alanı, Birleşik Krallık, İsviçre ve Hindistan’da mevcut olmadığını belirtir. Geliştirici platformları Agora, LiveKit, Pipecat ve Vercel, modelleri Gemini API üzerinden destekler ve Google, yeni TTS modellerini küresel dublaj, medya yerelleştirme ve konuşma ses ajanları için entegre eden ortaklar olarak Figma, HeyGen, Linguana, Wondercraft, 99.co ve Ollang’ı adlandırdı.