Egy suttogva előadott jelenethez vagy saját hangú játékszereplőhöz már nemcsak a felolvasandó szöveget lehet megadni. A Google szeptember 23-i bejelentésében bemutatta a Gemini 3.8 Flash TTS és Flash-Lite TTS modelleket, amelyeknél az előadásmód is szövegesen irányítható.
A Flash TTS új hangkarakterek tervezésére és részletes rendezésre készült. A Flash-Lite változatot nagy mennyiségű beszéd előállítására pozicionálják. Mindkettőnél soronként szabályozható a tempó és a megszólalás, egyetlen forgatókönyvből pedig két beszélő párbeszéde is felépíthető. Ez hangoskönyvek, játékok vagy oktatási anyagok készítőinek lehet érdekes.
A hangmásolás külön feltételhez kötött: a Google szerint a rendszer a hang tulajdonosától származó, ellenőrzött szóbeli hozzájárulást kér. A generált hang SynthID-vízjelet kap. Az API kiadási naplója szeptember 22-re teszi a megjelenést, a részletes blogbejelentés másnap követte. Az AI Studio hangos munkafelületén is kipróbálhatók; a hozzáférés termékenként eltérhet. A Google minőségi állításai nem helyettesítik a saját szöveggel, nyelvvel és kiejtési igényekkel végzett próbát.
Források: Google – Gemini 3.8 text-to-speech; Google – Gemini API kiadási napló.