Gemini 3.8 Flash TTS: синтез речи по текстовому описанию и безопасное клонирование голосаЗаметка · дайджест за 10 ноября
Фотореалистичный 3D-рендер студийного микрофона с мягкими звуковыми волнами и текстовой карточкой голосового синтеза
Заметка2 раздела≈ 4 мин

Gemini 3.8 Flash TTS: синтез речи по текстовому описанию и безопасное клонирование голоса

При выборе облачного синтезатора речи — TTS (Text-to-Speech) — для ролика или подкаста поначалу теряются почти все. Открываешь витрину дикторов с ярлыками «Бодрый мужской» и «Мягкий женский», и уже на десятом примере голоса сливаются в монотонную интонацию автоответчика, из которой запятыми не выжать живой игры.

Путаницы добавляет и линейка Google: 23 сентября 2026 года компания отдельно от базовой модели выкатила речевое семейство Gemini 3.8 Flash TTS в AI Studio, Gemini API и Gemini Notebook. Я сверил официальную спецификацию Google с разбором Джулиана Голди, чтобы понять: чем этот движок отличается от готовых голосовых баз и как одной фразой создать тембр или легально клонировать голос без сюрпризов в API?

Кастинг вместо витрины: тембр из текста и режиссура сцен

Разница со старым подходом — как между магазином с манекенами и кастингом на съёмочной площадке. Хотя сама Google расширила каталог до более чем 2 000 голосов на 130 с лишним языках и диалектах, пресеты держат тебя в чужих рамках. Режим Voice Design работает в формате zero-shot (с нуля, без обучающих записей): ты словами задаёшь пол, возраст, тон и акцент героя, отделяя этот постоянный портрет от эмоции дубля — например, тревожного шёпота — в строке стиля (style). Вписывать возраст в стиль нельзя — это как просить актёра посреди фразы постареть, — зато прямо в тексте работают ремарки <short pause>, <sigh>, <laugh> и ударения ЗАГЛАВНЫМИ буквами.

Допустим, ты снимаешь документальный мини-фильм об астрофизике и ищешь спокойный баритон профессора средних лет с британским акцентом без аренды студии. В пакете google-genai (2.25.0+, Python 3.10+) согласно документации Gemini Speech API профиль собирается методом client.voices.create():

import base64, os
from google import genai

client = genai.Client(api_key=os.environ.get("GEMINI_API_KEY"))

created_voice = client.voices.create(
    store=True,
    voice={
        "model": "gemini-3.8-flash-tts",
        "type": "prompted",
        "display_name": "Astrophysics Professor",
        "gender": "male",
        "language_code": "en-US",
        "prompted": {
            "input": "A calm, articulate middle-aged male voice with a refined British accent, calm pacing, deep resonant baritone, and an engaging, scholarly tone."
        },
    },
)
if created_voice.sample_audio and created_voice.sample_audio.data:
    with open("professor_preview.wav", "wb") as f:
        f.write(base64.b64decode(created_voice.sample_audio.data))

API сразу сохраняет пятисекундное превью в professor_preview.wav и закрепляет идентификатор created_voice.id. Дальше сценарий с тегами пауз и вздохов передаётся в client.models.generate_content() (response_modalities=["AUDIO"], SpeechConfig), отдавая чистый WAV-файл (моно, 24 кГц, 16 бит): тембр профессора не «плывёт» на всём пятнадцатиминутном фильме. А для потоковых ботов и дубляжа рядом есть gemini-3.8-flash-lite-tts с откликом быстрее 500 мс.

Полуминутный клон, метки SynthID и жёсткие рамки API

Озвучить выпуск своим голосом без вечера у микрофона позволяет Voice Replication — модели хватает ровно 30 секунд чистой речи. Чужое интервью не пройдёт: владелец обязан вживую надиктовать фразу устного согласия для сверки тембра, а каждый клип получает неслышимый водяной знак SynthID и метаданные C2PA. Поскольку обычные плееры не показывают слушателю предупреждений сами, помечать ИИ-озвучку нужно вручную, учитывая три строгих ограничения:

  • География: из-за законов о биометрии клонирование в AI Studio заблокировано в Европейской экономической зоне (EEA), Великобритании, Швейцарии, Индии, Иллинойсе и Техасе — там остаётся текстовый Voice Design.
  • Диалоги: в одном вызове multi_speaker_voice_config поддерживается максимум 2 спикера и только встроенные голоса (Kore, Puck). Сцены со своими или клонированными героями генерируются по одной реплике и склеиваются отдельно.
  • Квоты и режим: проект хранит до 200 голосов и удаляет профиль через год простоя. Движок работает строго по схеме «текст в аудио» — для живой беседы с перебиваниями нужна сквозная Gemini 3.8 Live.

Текстовый кастинг освобождает авторов от штампованных дикторских баз и студийной аренды. И не переживай, если первый промпт не попадёт в яблочко: открой аудиопесочницу в Google AI Studio, начни с пары простых фраз о характере героя без строки стиля, послушай превью и меняй по одной детали — темп, мягкость или акцент, — пока голос не зазвучит как надо.

Хочу подробный разборГолоса помогают выбрать, что разобрать подробно. За этот материал 0 голосов.
Источники · 3