Gemini 3.8 Flash TTS: управляемый синтез речи и клонирование голоса от GoogleКратко · дайджест за 27 сентября
Кратко≈ 1 мин

Gemini 3.8 Flash TTS: управляемый синтез речи и клонирование голоса от Google

Google выпустила голосовые модели Gemini 3.8 Flash TTS и Flash-Lite TTS с поддержкой 100 языков, 2000 голосовых пресетов и цифровых меток SynthID.

Для синтеза речи задается имя голоса:

from google import genai
from google.genai import types

client = genai.Client()
cfg = types.GenerateContentConfig(
    response_mime_type="audio/mp3",
    speech_config=types.SpeechConfig(
        voice_config=types.VoiceConfig(prebuilt_voice_config=types.PrebuiltVoiceConfig(voice_name="Puck"))
    )
)
res = client.models.generate_content(model="gemini-3.8-flash-tts", contents="Привет!", config=cfg)

Эмоции настраиваются инлайн-тегами режиссуры:

# Добавление шепота и сохранение аудиофайла
res2 = client.models.generate_content(
    model="gemini-3.8-flash-tts",
    contents="Привет! <whisper>Говори тише.</whisper>",
    config=cfg
)
with open("speech.mp3", "wb") as f:
    f.write(res2.candidates[0].content.parts[0].inline_data.data)

Клонирование голоса требует согласия диктора и отключено в ЕС, Великобритании и Индии.

Хочу подробный разборГолоса помогают выбрать, что разобрать подробно. За этот материал 0 голосов.
Источники · 2