A Google ma bejelentette a Gemini család két új szöveg‑hangátalakító modelljét: a gemini-3.8-flash-tts és a gemini-3.8-flash-lite-tts elnevezésű modelleket. A közlemény szerint mindkét modellhez egy több mint 2 000 hangból álló könyvtár tartozik, és lehetőség van saját hang létrehozására is — ehhez elég egy 30 másodperces hangmintát feltölteni arról a személyről, akihez a felhasználónak joga van.
Funkciók és használati módok
A Gemini 3.8 TTS Playground nevű eszköz bring‑your‑own‑key (hozd a saját kulcsodat) játéktérré alakítja a modell elérését, és a mögöttes Gemini API nyitott CORS‑politikáját kihasználva könnyíti meg a fejlesztést és integrációt. Az API egyik jól látható képessége, hogy egyszerűen lehet teljes párbeszédeket definiálni több karakter között, ahol minden szereplőhöz eltérő hang- és stílusutasítások rendelhetők.
Egy bemutatóklipben például két pelikán vitatkozik arról, költözzenek‑e a Pacifica Pierre; a klip forgatókönyvét Claude 4.5 Opus készítette, és egy URL‑t generáltak a lejátszáshoz a Gemini eszközzel.
Teljesítmény és költségpélda
A rövid felhasználói tesztben körülbelül 20 másodperc alatt generáltak 1 perc 18 másodpercnyi hanganyagot a gemini-3.8-flash-tts modellel (nem a kedvezőbb árú Flash‑Lite verzióval), és a költség ebben a példában 2,74 cent volt.
Miért számít ez?
A Gemini 3.8 Flash és Flash‑Lite modellek a nagyszámú előre elkészített hang és a gyors, karakterizált többszereplős párbeszédek támogatásával többféle alkalmazási területen nyújthatnak hasznot, például játékoknál, interaktív történetmesélésnél, vagy ügyfélszolgálati és oktatási hangalapú alkalmazásokban. Az egyszerűsített saját hang létrehozási folyamat és a nyitott API‑hozzáférés a fejlesztők számára is gyors prototípus‑készítést tesz lehetővé.
A bejelentés további részletei a Google által közzétett dokumentációban találhatók; a cikk az eszköz gyakorlati kipróbálásáról és egy felhasználói tesztről számol be, melyben GPT‑6 Astra és Claude 4.5 Opus is szerepet kapott a tartalom előállításában és kezelésében.
