Google prezentuje Gemini 3.8 text-to-speech: nowa era generowania i reżyserii głosu

Firma Google oficjalnie zaprezentowała nową generację modeli syntezy mowy – Gemini 3.8 w architekturze text-to-speech. W ramach wdrożenia udostępniono dwa wyspecjalizowane warianty: Gemini 3.8 Flash TTS, zaprojektowany z myślą o zaawansowanym projektowaniu postaci wokalnych oraz precyzyjnej reżyserii dialogów, a także Gemini 3.8 Flash-Lite TTS, zoptymalizowany pod kątem masowych, oszczędnych obliczeniowo wdrożeń i interaktywnych agentów głosowych. Premiera oznacza odejście od statycznych, gotowych presetów lektorskich na rzecz wirtualnego studia dźwiękowego, w którym barwę głosu, akcent, ładunek emocjonalny oraz tempo wypowiedzi można swobodnie kształtować za pomocą instrukcji w języku naturalnym.

Za rozwój nowej technologii odpowiada zespół Gemini Audio, reprezentowany m.in. przez Lelanda Rechisa (Group Product Manager) oraz Alana Cowena (Director, Research Science). Udostępnione narzędzia wpisują się w dynamicznie rozbudowywany ekosystem dźwiękowy Google, w którym funkcjonuje już multimodalny model Gemini 3.8 Live, eksperymentalny wariant 3.8 Live Extended Thinking, a także systemy 3.5 Live Translate i 3.5 Transcribe.

Dwa warianty dla zróżnicowanych obciążeń produkcyjnych

Architektura Gemini 3.8 w obszarze syntezy mowy została podzielona na dwa modele dzielące ten sam interfejs programistyczny API, lecz zoptymalizowane pod odmienne scenariusze użycia:

• Gemini 3.8 Flash TTS (gemini-3.8-flash-tts): Model flagowy, nastawiony na najwyższą wierność akustyczną, niuanse aktorskie i odwzorowanie złożonych dialektów. Znajduje zastosowanie w narracji audiobooków, dubbingu gier wideo, profesjonalnych słuchowiskach oraz interaktywnych mediach wymagających zróżnicowanej ekspresji.
• Gemini 3.8 Flash-Lite TTS (gemini-3.8-flash-lite-tts): Wariant o wysokiej przepustowości i obniżonych opóźnieniach. Został przygotowany do wielkoskalowej lokalizacji wideo, masowego czytania artykułów oraz zasilania zwinnych botów konwersacyjnych pracujących pod dużym obciążeniem zapytań.

Projektowanie postaci, reżyseria linijka po linijce i dialogi dwuosobowe

Kluczową innowacją wprowadzoną w Gemini 3.8 Flash TTS jest funkcja generative voice design. Użytkownicy mogą powoływać do życia zupełnie nowe tożsamości wokalne od zera, precyzując w promptach rolę, wiek, barwę, a także specyficzne akcenty w obrębie ponad 100 języków i dialektów (od australijskiego DJ-a z Melbourne po metaliczny głos robota). Równolegle baza gotowych głosów produkcyjnych Google urosła z dotychczasowych 30 do ponad 2000 (2,000+) profili uwzględniających regionalizmy, takie jak meksykański hiszpański, québecki francuski czy dialekt szkocki języka angielskiego.

Modele rozwiązują również problem tworzenia cyfrowych bliźniaków audio za sprawą modułu voice replication. Do odtworzenia profilu wokalnego wystarczy 30-sekundowa próbka audio (30-second audio sample). W przygotowaniu znajduje się także funkcja voice remixing, która pozwoli na modyfikowanie istniejących głosów z biblioteki poprzez tekstowe korekty tembru, wysokości czy tempa wypowiedzi.

W warstwie wykonawczej system oferuje reżyserię linijka po linijce (line-by-line performance direction). Scenarzyści mogą wzbogacać tekst o naturalne wskazówki aktorskie (np. przejście od szeptu do krzyku) oraz reakcje pozasłowne, takie jak westchnienia <sigh>, śmiech <laughs> czy gwałtowny wdech <gasp>. Wprowadzono także obsługę potwierdzeń aktywnego słuchania (backchanneling), w tym wtrąceń |mhm| oraz |yeah|. Co istotne, Gemini 3.8 Flash TTS natywnie wspiera reżyserię scen dwuosobowych (native two-speaker scene staging) z poziomu pojedynczego skryptu, gwarantując separację obu rozmówców, naturalne naprzemienne zabieranie głosu (turn-taking) oraz stabilność barwy bez zjawiska dryfu głosu (speaker drift) w wielogodzinnych materiałach długometrażowych.

Wyniki w benchmarkach: Hume AI i Voice Arena

W oficjalnych pomiarach jakościowych Gemini 3.8 Flash TTS objął 1. miejsce w teście Hume AI’s Voice Design Benchmark z wynikiem 71.4 punktu, wyprzedzając konkurencję również w cząstkowej kategorii modelowania akcentów z rezultatem 60.8 punktu. W zestawieniu Hume AI’s Overall Quality Index oba warianty zajęły najwyższe stopnie podium: Gemini 3.8 Flash TTS uplasował się na pozycji #1, natomiast Gemini 3.8 Flash-Lite TTS zdobył lokatę #2. Względem wcześniejszego modelu Gemini 3.1 Flash TTS odnotowano skokowy postęp w stabilności wieloosobowych dialogów scenariuszowych.

W ślepych testach preferencji słuchaczy na platformie Voice Arena (prowadzonej przez Artificial Analysis) oba modele zajęły czołowe miejsca w kluczowych językach globalnych, m.in. japońskim, brazylijskim portugalskim, wietnamskim, współczesnym standardowym arabskim (MSA), meksykańskim hiszpańskim oraz hindi.

Koszty wdrożenia w Gemini API

Google wdrożyło model rozliczeń oparty na tokenach wejściowych (przetwarzany tekst) oraz tokenach wyjściowych (wygenerowane audio). Zgodnie z dokumentacją techniczną 1 sekunda wygenerowanego dźwięku odpowiada w przybliżeniu 25 tokenom audio. Do 31 grudnia 2026 r. obowiązuje obniżona taryfa promocyjna, która ulegnie podwojeniu 1 stycznia 2027 r.

Dane: Google (Gemini API)

Bezpieczeństwo, SynthID i wdrożenia ekosystemowe

Rozbudowie możliwości kreacji głosu towarzyszy rygorystyczny zestaw zabezpieczeń prawno-technologicznych. Procedura replikacji głosu wymaga przejścia weryfikacji zgody (consent verification): użytkownik musi dostarczyć nagranie ustnego oświadczenia właściciela głosu, którego zgodność biometryczna z głosem referencyjnym jest weryfikowana przed wygenerowaniem profilu. Dodatkowo klonowanie głosu w Google AI Studio zostało wyłączone w regionach o restrykcyjnych regulacjach biometrycznych – funkcja jest niedostępna na terenie Europejskiego Obszaru Gospodarczego (EEA), Wielkiej Brytanii, Szwajcarii, Indii oraz amerykańskich stanów Illinois i Teksas.

Każdy plik audio wygenerowany przez modele Gemini 3.8 zostaje trwale oznaczony cyfrowym znakiem wodnym w technologii SynthID, który jest niewyczuwalny dla ludzkiego ucha, lecz pozwala zautomatyzowanym detektorom zweryfikować syntetyczne pochodzenie dźwięku. Pliki wspierają także standard metadanych C2PA.

Modele debiutują równolegle w kilku kanałach. Programiści mogą testować je w nowym środowisku testowym Google AI Studio (wyposażonym w edytor scenariuszy dwuosobowych) oraz za pośrednictwem Gemini API. Klienci korporacyjni otrzymają dostęp w Gemini Enterprise. Gemini 3.8 Flash TTS trafia ponadto bezpośrednio do aplikacji Gemini Notebook, natomiast wydajniejszy Gemini 3.8 Flash-Lite TTS zasila silnik lektorski w usłudze Google Vids. Gotowość integracyjną ogłosiły już platformy Agora, LiveKit, Pipecat i Vercel, a wdrożenia komercyjne realizują m.in. Figma, HeyGen, Linguana, Wondercraft, 99.co oraz Ollang.