گوگل دو مدل جدید تبدیل متن به گفتار (TTS) به نام‌های Gemini 3.8 Flash TTS و Gemini 3.8 Flash-Lite TTS را به عنوان بخشی از خانواده Gemini Audio منتشر کرد. این دو مدل بر اساس پرامپت‌های زبانی طبیعی کار می‌کنند و به توسعه‌دهندگان امکان می‌دهند تا نحوه اجرای جملات را خط‌به‌خط هدایت کنند.

تفاوت دو مدل#

مدل Flash TTS برای کارهای خلاقانه و طراحی کاراکترها بهینه شده است و کنترل دقیقی روی ریتم، لهجه و مکث‌ها ارائه می‌دهد. در مقابل، مدل Flash-Lite TTS برای تولید انبوه با هزینه بهینه طراحی شده و در دوبله و ساخت محتوای صوتی کاربرد دارد. هر دو مدل از طریق Gemini API و Google AI Studio در دسترس هستند، اما امکان میزبانی محلی (Open Weights) وجود ندارد.

طراحی صدا از روی پرامپت#

در حالی که نسخه‌های قبلی تنها ۳۰ صدای آماده داشتند، این نسخه از یک سیستم پیشرفته‌تر استفاده می‌کند:

  • طراحی مولد: امکان ساخت صداهای جدید از روی پرامپت‌های متنی در بیش از ۱۰۰ زبان و گویش.
  • کتابخانه صدا: دسترسی به بیش از ۲۰۰۰ صدای آماده با تنوع منطقه‌ای.
  • ذخیره‌سازی: امکان ذخیره و استفاده مجدد از صداهای سفارشی با کمترین تغییر کیفیت.

کنترل اجرا و ایمنی#

این مدل‌ها از دستورات صحنه‌ای در متن پشتیبانی می‌کنند و می‌توانند مکالمات دو نفره را با صداهای مجزا مدیریت کنند. در بخش ایمنی، هر خروجی دارای واترمارک نامحسوس SynthID است. همچنین برای شبیه‌سازی صدا، ارائه نمونه ۳۰ ثانیه‌ای به همراه فایل صوتی رضایت‌نامه کلامی صاحب صدا الزامی است.

نتایج بنچمارک‌ها#

بر اساس نتایج اعلام‌شده، مدل Flash TTS در معیار Voice Design Benchmark سایت Hume AI با امتیاز ۷۱.۴ در رتبه اول قرار دارد. این مدل همچنین در شبیه‌سازی لهجه با امتیاز ۶۰.۸ پیشتاز است.

تحلیل تحریریه: پایان عصر صداهای آماده#

انتقال از ۳۰ صدای ثابت به سیستم طراحی صدا از روی پرامپت، نشان‌دهنده تغییر پارادایم در ابزارهای صوتی است. برای توسعه‌دهندگانی که به دنبال ایجنت‌های گفتگوی طبیعی هستند، قابلیت «کنترل خط‌به‌خط» و «پشتیبانی از بیش از ۱۰۰ زبان» می‌تواند هزینه‌های تولید محتوای چندزبانه را کاهش دهد. با این حال، محدودیت «فقط API» و عدم امکان میزبانی محلی، وابستگی به سرویس‌های گوگل را افزایش می‌دهد. همچنین الزام به ارائه «رضایت‌نامه کلامی» برای شبیه‌سازی صدا، گامی مهم در جهت‌گیری اخلاقی است که ممکن است سرعت استفاده از این قابلیت را در پروژه‌های سریع کاهش دهد.

منبع: MarkTechPost