فناوری سنتز گفتار وارد دوران جدید و بسیار دقیقی شده است. گوگل به‌طور رسمی از دو مدل جدید تبدیل متن به گفتار به نام‌های Gemini 3.8 Flash TTS و Gemini 3.8 Flash-Lite TTS رونمایی کرد تا نیازهای توسعه‌دهندگان و خالقان محتوا را در زمینه‌های صداگذاری شخصی‌سازی‌شده شخصیت‌ها و تولید صوتی در مقیاس وسیع برآورده کند.
ویژگی‌های کلیدی مدل‌های جدید
این دو مدل جدید هر کدام با تمرکز خاصی طراحی شده‌اند:
- مدل Gemini 3.8 Flash TTS: این مدل که بر طراحی صدا و شخصیت تمرکز دارد، به کاربران اجازه می‌دهد با استفاده از توصیفات زبان طبیعی، صداهای سفارشی خلق کنند. این مدل همچنین امکان کنترل دقیق لحن، سرعت و لهجه را در سطح جملات فراهم می‌کند و قادر است تنها با ۳۰ ثانیه نمونه صوتی، فرآیند شبیه‌سازی صدا (Voice Cloning) را با بالاترین دقت انجام دهد.
- مدل Gemini 3.8 Flash-Lite TTS: این نسخه به‌طور ویژه برای تولید صوتی در مقیاس وسیع و سناریوهای صداگذاری کارآمد و سریع بهینه‌سازی شده است.
پشتیبانی گسترده از زبان‌ها
طبق اعلام رسمی گوگل، این مدل‌های جدید از بیش از ۱۰۰ زبان و گویش پشتیبانی می‌کنند و بیش از ۲۰۰۰ صدای آماده را به‌صورت پیش‌فرض ارائه می‌دهند که این امر پشتیبانی قدرتمندی برای توسعه برنامه‌های صوتی و تولید محتوا در سراسر جهان فراهم می‌کند.