Gemini 3.8 Flash TTS в Google AI Studio: бесплатная озвучка с эмоциями и диалогом двух дикторовЗаметка · дайджест за 21 ноября
Студийный натюрморт звукозаписи с дуэтом микрофонов и звуковыми волнами диалога
Заметка3 раздела≈ 4 мин

Gemini 3.8 Flash TTS в Google AI Studio: бесплатная озвучка с эмоциями и диалогом двух дикторов

В озвучке роликов и подкастов выбор обычно не радует. Либо платишь за пару-тройку сервисов сразу — отдельно за начитку, дубляж и клонирование, — либо ставишь всё на небольшой стартап. Чем это кончается, показал PlayHT: в июле 2025-го команду купила Meta, а 31 декабря 2025 года сервис закрыли вместе с аккаунтами и сохранёнными голосами.

На этом фоне выделяется бесплатная песочница Google AI Studio. 23 сентября 2026 года Google добавила туда голосовые модели Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. Код не нужен: заходишь через Google-аккаунт, вбиваешь текст и получаешь речь с вздохами, смехом и диалогом на двоих.

Как устроены Flash TTS и Flash-Lite TTS

TTS (Text-to-Speech) — это синтез речи из текста: ты задаёшь реплики, модель их озвучивает. В Gemini 3.8 задачи развели по двум движкам. Gemini 3.8 Flash TTS отвечает за выразительную подачу: ролики для YouTube, персонажи и аудиокниги, где важно, чтобы тембр не «уплывал» на длинной дистанции. Gemini 3.8 Flash-Lite TTS легче и быстрее — она заточена под массовый дубляж и голосовых агентов в реальном времени.

В браузере всё устроено просто: справа выбираешь модель, по центру собираешь речевые блоки со спикером и стилем. Под рукой 30 студийных голосов (Corey, Puck, Zephyr и другие), а в полной базе есть региональные акценты вроде мексиканского испанского, квебекского французского и шотландского английского.

Нужен уникальный диктор? Описываешь роль, акцент и характер обычным текстом — модель собирает новый голос. На проект дают сохранить до 200 кастомных голосов: каждый живёт год, а при использовании таймер сбрасывается. Есть и репликация реального голоса по 30-секундной записи, а настройка Voice Remixing (подкрутка высоты и темпа) пока отмечена как «скоро».

Сравнение качества синтеза речи Gemini 3.8 Flash TTS в бенчмарке Hume AI (Источник: blog.google)

Google заявляет о первом месте Flash TTS в бенчмарке Hume AI по дизайну голоса. Цифры красивые, но это собственный отчёт компании — лучше проверить звучание ушами на своём сценарии.

Теги эмоций, мини-подкаст и сравнение с ElevenLabs

Главный плюс Flash TTS — построчная режиссура. Для каждой фразы задаётся эмоция и темп, ЗАГЛАВНЫЕ буквы усиливают акцент, а знаки препинания дают паузу или запинку. Прямо в текст вставляются теги эмоций и реакций: <sigh>, <laugh>, <short pause> запускают вздох, смех или паузу, а вертикальные черты (|oh really|, |mm-hmm|) — короткие перебивания собеседника. Писать теги нужно строго на английском, даже если сценарий на русском.

В мультиспикерном режиме (conversational) два голоса разыгрывают диалог в одном клипе. В живом тесте свели высокий тёплый Vader (с тегом <sigh> и <short pause>) и низкий Rami (стиль amazed, <gasp>, <chuckles>, перебивание и тумблер слов-связок filler words). Кнопка Download отдаёт чистый 24 kHz mono WAV сразу под монтажку, а Get code — готовый код для Gemini API.

ИнструментСтартБаза голосовЯзыкиГлавная фишка
Google AI Studio (Flash TTS)Бесплатно2 000+100+Построчная режиссура, теги, 2 спикера
ElevenLabs (Eleven v4)Платный17 500+90+Студия дубляжа, теги [laughs] / [sighs]
Murf AIПлатный200+35+Озвучка презентаций и простой дубляж
Lovo (Genny)Платный500+~100Встроенный видеоредактор с таймлайном

AI Studio берёт контролем над интонацией и бесплатным стартом, но остаётся песочницей без таймлайна. Когда нужен полноценный комбайн для дубляжа и гигантская база дикторов в одном окне, ElevenLabs по-прежнему удобнее.

Четыре ограничения бесплатного тарифа

Перед переездом в AI Studio стоит учесть четыре жёстких условия. Первое — лимиты запросов и приватность: на бесплатном тарифе Google может использовать отправленные тексты для улучшения своих продуктов. Сценарии под NDA, клиентские черновики и личные данные сюда загружать нельзя.

Второе — потолок мультиспикера. За один запрос доступны максимум два диктора, а кастомные голоса в таком диалоге нельзя смешивать друг с другом. Сцену на троих придётся собирать по кускам в аудиоредакторе.

Третье — невидимый водяной знак SynthID: Google автоматически вшивает эту акустическую метку в каждый WAV-файл. Четвёртое — жёсткие правила клонирования: 30-секундная репликация голоса требует записанного согласия владельца и заблокирована в AI Studio для Великобритании, стран ЕЭЗ, Швейцарии, Индии, Иллинойса и Техаса.

Для озвучки YouTube, двухголосых мини-подкастов и тестов перед покупкой подписки бесплатного AI Studio хватает с головой. А вот для закрытых клиентских проектов, масштабного дубляжа или сцен на три и более голоса в один дубль надёжнее остаться на ElevenLabs или уйти на платный Gemini API.

Хочу подробный разборГолоса помогают выбрать, что разобрать подробно. За этот материал 0 голосов.
Источники · 5