Google представила две модели для превращения текста в речь — Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. Первая рассчитана на выразительную озвучку и сложные диалоги, вторая — на быструю генерацию больших объёмов аудио. Обе доступны разработчикам через Gemini API и Google AI Studio. Анонс вышел 23 сентября.
Чем различаются Flash TTS и Flash-Lite TTS
Flash TTS Google предлагает для аудиокниг, игровых персонажей, подкастов и сцен с несколькими репликами. Модель позволяет задавать характер голоса и управлять тем, как звучит каждая фраза. Flash-Lite TTS ориентирована на массовую озвучку, чтение текста в приложениях и голосовые интерфейсы, где важны задержка и стоимость. Это две модели синтеза речи, а не версии обычной текстовой Gemini 3.8 Flash.
| Параметр | Gemini 3.8 Flash TTS | Gemini 3.8 Flash-Lite TTS |
|---|---|---|
| Сильная сторона | Актёрская подача, диалекты, длительные записи | Скорость, масштаб и стоимость |
| Языки | 130 | 101 |
| Платный API до конца 2026 года | $9 за 1 млн выходных аудиотокенов | $6 за 1 млн выходных аудиотокенов |
Обе модели принимают текст и выдают аудио. В документации указано, что русский язык поддерживают обе. Схема запросов у них одинаковая: разработчик может переключаться между Flash и Flash-Lite, меняя идентификатор модели. Это удобно, если для отдельных сцен нужна более тонкая подача, а повседневные фразы выгоднее озвучивать Lite.
Новый голос по описанию и копирование с согласия
Для персонажа можно создать голос по текстовому описанию: задать роль, манеру речи, акцент и другие устойчивые черты, прослушать образец и сохранить голос для последующих записей. Другой путь — выбрать готовый голос из расширенной библиотеки с вариантами для разных языков и региональных разновидностей.
Обе версии поддерживают копирование голоса по образцу речи. В API нужен чистый фрагмент длительностью 10–30 секунд и отдельная запись согласия от того же совершеннолетнего человека. Затем созданный голос можно повторно использовать в проекте. По умолчанию профиль хранится у Google; для приложений предусмотрен и вариант с ключом, который хранит клиент.
У функции есть географическая граница: копирование голоса в интерфейсе Google AI Studio недоступно в Европейской экономической зоне, Великобритании, Швейцарии, Индии, а также в американских штатах Иллинойс и Техас. Сам синтез речи и выбор готовых голосов не следует смешивать с этой отдельной функцией. Созданное Gemini аудио Google помечает невидимым водяным знаком SynthID; для копирования требуется проверка согласия владельца голоса.
Как управлять репликами и длинной записью
В сценарии можно назначить голос каждому говорящему и указать подачу на уровне отдельной реплики: темп, настроение, шёпот или иронию. Короткие паузы, вздохи и смех добавляются прямо в текст специальными метками. Модель также допускает короткие реакции слушателя на фоне речи собеседника. Например, подкаст с двумя ведущими можно собрать из чередующихся реплик, сохранив каждому свой тембр.
Google выделяет устойчивость Flash TTS при длинной озвучке: голос персонажа и акустика записи должны меньше меняться между фрагментами. Это особенно полезно для серии глав аудиокниги или повторяющихся диалогов в игре. Один запрос API ограничен 8192 входными и 16 384 выходными токенами, поэтому длинный материал создают по частям. В одном запросе генерация разговора поддерживает до двух говорящих с готовыми голосами; чтобы соединить несколько созданных или скопированных голосов, реплики нужно синтезировать по отдельности и собрать в редакторе.
Что изменилось по сравнению с предыдущей TTS-моделью
Flash-Lite TTS Google прямо называет заменой Gemini 3.1 Flash TTS Preview для массовых задач. Новая пара добавляет создание и копирование постоянных голосов, расширенную библиотеку и структурированное управление репликами. В анонсе Google Flash TTS и Flash-Lite TTS занимают соответственно первое и второе места в индексе качества Hume AI. В предыдущих моделях подсказки к манере речи могли писать внутри обычного текста; теперь постоянный стиль и имя говорящего передаются отдельно, а текст трактуется как произносимая дословно реплика. При переходе на новую версию старые запросы потребуется обновить.
Изменился и формат аудио по умолчанию: одиночный запрос возвращает WAV вместо потока сырых аудиоданных. Для приложения, которое само добавляло заголовок WAV, это практическая правка в обработке файла. Gemini 3.8 Live решает другую задачу — разговор с моделью в реальном времени, тогда как TTS озвучивает уже подготовленный текст.
Где попробовать и сколько стоит API
Обе модели вышли в общедоступной версии и появились в Google AI Studio и Gemini API вместе с интерфейсом для сохранения и поиска голосов. Идентификаторы для разработчиков — gemini-3.8-flash-tts и gemini-3.8-flash-lite-tts. Flash TTS также появляется в Gemini Notebook, а Flash-Lite TTS — в Google Vids. Доступ через API в Gemini Enterprise компания обещает позже.
По тарифу Gemini API, до 31 декабря 2026 года стандартная платная генерация стоит $9 за 1 млн аудиотокенов у Flash и $6 у Flash-Lite. Google оценивает это примерно в $0,00225 и $0,0015 за 10 секунд аудио соответственно; обработка входного текста оплачивается отдельно по $0,50 за 1 млн токенов. В бесплатном уровне обе модели доступны без платы за токены в рамках действующих лимитов.
С 1 января 2027 года объявленная стандартная ставка увеличится до $18 и $12 за 1 млн выходных аудиотокенов, а входной текст — до $1. Пакетная обработка стоит вдвое дешевле стандартного платного режима. Поэтому для большого архива записей важны не только выбор Flash или Lite, но и дата использования и режим обработки.
Что это даёт создателям аудио
Главная перемена — возможность сохранять голос персонажа и отдельно режиссировать его реплики, не создавая новую озвучку с нуля для каждого эпизода. Flash TTS подойдёт там, где слушатель замечает нюансы произношения и игру нескольких голосов. Flash-Lite TTS экономичнее для озвучивания статей, интерфейсов, массовой локализации и коротких ответов голосового помощника. При работе с чужим голосом сначала потребуется получить согласие, а для сложного диалога с созданными голосами — собрать дорожки из отдельных фрагментов.
