Google 23 сентября 2026 года выпустила две новые модели генерации речи: Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. Это не просто обновление набора готовых голосов. Google двигает TTS ближе к полноценной студии озвучивания: можно создавать голосовые персонажи промптом, управлять подачей реплик построчно, собирать диалоги с двумя говорящими и использовать модели через Gemini API и Google AI Studio.
Инфоповод интересен именно как релиз модели и API. У Google уже была линейка Gemini Audio, но здесь акцент смещается с «синтезировать фразу» на «поставить голосовую сцену». Для разработчиков это важное различие: голосовой интерфейс перестаёт быть отдельным медиа-экспортом и становится частью продукта, агента, редактора видео, подкаст-пайплайна или внутреннего инструмента.
Что выпустила Google
В релизе две модели с разными ролями. Gemini 3.8 Flash TTS рассчитана на творческое управление голосом: характер, акцент, тембр, эмоциональная подача, сценические указания и стабильность персонажа в длинном материале. Её логичнее смотреть как модель для случаев, где голос сам по себе важен: игра, аудиокнига, подкаст, интерактивная сцена, озвучка персонажа, брендовый голос или сложный voice-agent.
Gemini 3.8 Flash-Lite TTS — более массовый вариант. Google описывает её как модель для большого объёма: дубляж, регулярная аудиогенерация, voice-агенты и задачи, где нужна выразительность, но ещё важны стоимость, скорость и масштаб. В продуктовой архитектуре это знакомое разделение: одна модель ближе к режиссёрскому контролю, вторая — к поточному производству.
Обе модели входят в семейство Gemini Audio и дополняют предыдущие аудио-возможности Google: live-перевод, транскрибацию, живой голосовой режим и extended thinking для Live. Главное изменение здесь не в том, что Gemini «заговорил», а в том, что речь стала программируемой более тонко.
Кастомные голоса вместо выбора из списка
Классический TTS часто начинается с выпадающего списка: выберите язык, голос, скорость, иногда стиль. Google предлагает другой сценарий: описать голос натуральным языком. Например, не «voice-17, female, cheerful», а более человеческое описание роли, акцента, тембра и поведения. По официальному анонсу, Gemini 3.8 Flash TTS умеет создавать новые голосовые профили с поддержкой более 100 языков и диалектов.
Это особенно важно для локализации. В голосовых продуктах недостаточно просто перевести текст. Голос должен звучать уместно: регион, темп, эмоциональная дистанция, возраст персонажа, контекст сцены. Если модель позволяет описывать эти параметры промптом, часть работы переезжает из ручного выбора пресета в управляемую генерацию.
Google также говорит о библиотеке из 2 000+ готовых голосов. Это полезно для стартового сценария: не всегда нужно создавать голос с нуля. Иногда достаточно выбрать близкий профиль и использовать его стабильно в серии материалов. При этом компания обещает возможность сохранять созданные голоса, чтобы они меньше «плыли» между выпусками, сценами и проектами.
Отдельная функция — voice replication. Можно воссоздать голос по 30-секундному образцу, но Google привязывает это к проверке согласия владельца голоса. В статье указаны защитные механизмы: consent verification, SynthID-watermarking и C2PA credentials. Это правильный акцент: чем лучше TTS, тем меньше он похож на игрушку и тем важнее происхождение голоса, разрешение и следы генерации.
Построчная режиссура речи
Самая интересная часть релиза — управление исполнением по строкам. В обычном TTS разработчик отправляет текст и получает аудио. В новой логике можно описывать, как именно произносить реплики: спокойнее, быстрее, шёпотом, с паузой, с раздражением, с реакцией второго говорящего. Это уже ближе к режиссуре сцены, чем к генерации звукового файла.
Для voice-агентов это может быть важнее, чем кажется. Пользователь слышит не только слова. Он слышит уверенность, темп, паузы, перебивания, короткие реакции и естественность turn-taking. Если агент звучит как роботизированный диктор, доверие падает даже при правильном тексте. Если он слишком театрален, становится раздражающим. Нужен контролируемый диапазон.
Google отдельно выделяет нативные сцены с двумя говорящими. Это значит, что диалог можно задавать как единый script, а модель должна удерживать разницу между голосами, естественные очереди реплик и разговорные реакции. Для подкастов, учебных диалогов, демо-роликов и интерактивных сценариев это снижает ручную сборку: не нужно по отдельности генерировать каждую реплику и потом склеивать дорожки в редакторе.
Ещё одна деталь — conversational texture: смех, вздохи, короткие реакции слушателя, естественные междометия. Здесь есть риск быстро уйти в перебор, но сама возможность важна. Хорошая синтетическая речь должна уметь не только читать, но и вести сцену в заданной манере.
Длинная форма и стабильность персонажа
Для короткой фразы TTS давно выглядит убедительно. Проблемы чаще начинаются на длинных материалах: голос немного меняется, интонация становится однообразной, темп плывёт, персонаж теряет характер, а монтаж требует ручного спасения. Google заявляет, что Gemini 3.8 Flash TTS рассчитана на long-form generation: подкасты, аудиокниги, длинные сцены и многочасовые материалы с сохранением тембра и качества.
Проверять это всё равно нужно на своих примерах. Длинная форма — жёсткий тест: модель должна удерживать не только голос, но и структуру материала. В аудиокниге важна спокойная стабильность. В подкасте — ритм и естественная смена тем. В учебном продукте — ясность и отсутствие утомляющей экспрессии. В voice-агенте — скорость ответа и предсказуемость.
Я бы не делал вывод «теперь дикторы не нужны». Более трезвый вывод: появляется модельный слой, который может закрыть черновую озвучку, прототипы, локализацию, внутренние материалы, быстрые версии роликов и часть сценариев, где раньше качественная речь была слишком дорогой или медленной. А там, где голос является лицом бренда или художественной работой, человек по-прежнему нужен как режиссёр, редактор и правообладатель.
Бенчмарки и заявленное качество
Google приводит несколько внешних ориентиров качества. В Hume AI Voice Design Benchmark модель Gemini 3.8 Flash TTS заняла первое место в общем рейтинге с результатом 71.4 и отдельно лидирует в accent modeling с 60.8. Для общего качества Google называет Gemini 3.8 Flash TTS и Flash-Lite TTS первым и вторым местом в Hume AI Overall Quality Index.
Также компания ссылается на blind human preference evaluations в Voice Arena. По описанию Google, Flash и Flash-Lite занимают верхние позиции в ряде языков, включая японский, бразильский португальский, вьетнамский, современный стандартный арабский, мексиканский испанский и хинди.
Эти цифры полезны как сигнал, но не заменяют локальный тест. Для русскоязычного продукта я бы проверял отдельно: естественность русской речи, склонения в длинных предложениях, ударения, английские вставки, технические термины, имена, паузы, стиль «не рекламный диктор», а также устойчивость при повторной генерации одного и того же сценария. Голосовые модели хорошо звучат в демо, но продуктовая проверка начинается там, где текст скучный, длинный и с реальными ошибками входных данных.
Где доступно
Gemini 3.8 Flash TTS выкатывается для разработчиков через Gemini API и Google AI Studio. Для корпоративного контура API в Gemini Enterprise заявлен как coming soon. Для обычных пользователей Google указывает Gemini Notebook.
Gemini 3.8 Flash-Lite TTS тоже доступна разработчикам через Gemini API и Google AI Studio, для предприятий также ожидается в Gemini Enterprise, а для массового сценария Google указывает Google Vids. То есть релиз сразу затрагивает два слоя: API для разработчиков и готовые продукты Google, где новые модели постепенно становятся функцией интерфейса.
Практически начать проще всего с Google AI Studio audio playground. По описанию Google, там можно создать голос, попробовать voice replication, собрать двухспикерную сцену и управлять репликами. Для разработчика это хороший первый этап до интеграции в код: проверить, насколько модель понимает стиль, насколько стабильно звучит голос и какие ограничения появляются в реальном сценарии.
Что это меняет для разработчиков
Первое изменение — голос можно проектировать как состояние, а не как финальный файл. Если голос создаётся, сохраняется и переиспользуется, вокруг него можно строить workflow: редактор сценария, проверка согласия, версия голоса, preview, очередь генерации, контроль качества, логирование и хранение артефактов.
Второе — TTS становится частью агентных интерфейсов. Голосовой агент без хорошей речи выглядит недособранным. Но голосовой агент с слишком свободной речью опасен: он может звучать уверенно там, где должен остановиться. Поэтому рядом с TTS нужны ограничения: какие сцены можно озвучивать автоматически, где требуется подтверждение, какие голоса разрешены, что делать с персональными данными и как маркировать AI-аудио.
Третье — локализация становится более тонкой. Если модель умеет работать с большим числом языков и региональных вариантов, можно быстрее делать версии контента для разных рынков. Но здесь нельзя путать языковую поддержку с культурной адаптацией. Хороший дубляж — это не только правильное произношение, но и уместная подача.
Четвёртое — появляется нормальный слой для прототипирования. До релиза продукта можно быстро собрать голосовую версию урока, демо-диалога, инструкции или рекламного сценария, показать её команде и понять, работает ли формат. Раньше такая проверка часто упиралась в запись, монтаж и ожидание.
Ограничения и аккуратность
Голос — чувствительная модальность. Текстовая ошибка неприятна, но голосовая ошибка может звучать как позиция человека или бренда. Поэтому voice replication нельзя рассматривать как просто удобную функцию. Нужно иметь право на голос, хранить подтверждение, ограничивать доступ, маркировать синтетическое аудио и понимать, где использование чужого тембра недопустимо даже технически.
Google в релизе подчёркивает consent verification, SynthID и C2PA. Это не декоративные слова. Если генерация речи становится массовой, рынок будет требовать происхождение, проверяемость и следы создания. Для бизнеса это означает простое правило: не строить процесс на «сейчас быстро сымитируем голос». Сначала права и согласие, потом автоматизация.
Есть и обычные инженерные ограничения. Нужно измерить задержку, стоимость, повторяемость, качество на шумных текстах, поведение на смешанных языках, лимиты API и способ хранения аудио. Для voice-агентов особенно важна задержка: пользователь не ждёт аудиокнигу, он разговаривает. Там Flash-Lite может оказаться практичнее, даже если Flash TTS даёт больше творческого контроля.
Как попробовать
Я бы начинал с маленького тестового набора. Взять 10–15 коротких сцен: приветствие агента, объяснение сложной функции, эмоционально нейтральный ответ поддержки, двухспикерный диалог, фрагмент длинной инструкции, русский текст с английскими терминами и пару сложных имён. Затем прогнать это через Google AI Studio, сохранить параметры и сравнить несколько вариантов голоса.
После этого уже имеет смысл идти в Gemini API: собрать простой пайплайн, где script хранится отдельно от voice profile, результат сохраняется с метаданными, а для каждого аудио есть ссылка на источник текста, версия промпта и дата генерации. Если планируется voice replication, отдельным шагом должна идти проверка согласия и права на использование голоса.
Для продуктовой команды хороший первый сценарий — не публичный запуск, а внутренний прототип: озвучка документации, черновик подкаста, демо voice-агента, локализация короткого видео. Так можно увидеть реальные сильные и слабые места модели без риска случайно выпустить в мир не тот голос и не тот тон.
Почему релиз важен
Gemini 3.8 Flash TTS и Flash-Lite TTS показывают, куда движется генерация речи: от готовых голосовых пресетов к управляемым голосовым сценам. Это ближе к редактору, API и режиссёрскому инструменту, чем к старому «текст в аудио».
Для разработчиков важны три вещи: кастомные голоса, построчное управление и доступ через Gemini API. Для создателей контента — длинная форма, диалоги и более живая локализация. Для бизнеса — возможность быстрее собирать voice-прототипы и голосовые интерфейсы, но только при нормальной дисциплине вокруг прав, согласия и маркировки AI-аудио.
Я бы воспринимал этот релиз не как повод заменить всех людей голосовой моделью, а как появление нового строительного блока. Там, где раньше голос был дорогим финальным этапом, он становится частью итерации: написал сцену, проверил подачу, поправил тон, собрал версию, измерил качество. Для AI-продуктов это серьёзный сдвиг.
Источник
Официальный анонс Google: Gemini 3.8 text-to-speech says hello.