Голос способен изменить восприятие всего разговора. Одни и те же слова могут звучать успокаивающе, восторженно, неуверенно или искренне в зависимости от подачи. Для разработчиков, создающих голосовые сервисы, точное попадание в интонацию часто означало необходимость обходить ограничения систем синтеза речи: выбирать из небольшого набора голосов, изменять сценарии ради нужного тона и надеяться, что голос останется естественным на протяжении длительного диалога.

Запуск Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS знаменует собой шаг вперед. Это новое поколение синтеза речи, которым разработчики могут управлять с большей точностью. Gemini 3.8 Flash TTS также предлагает расширенную библиотеку, насчитывающую более 2000 голосов, что открывает гораздо больше возможностей для выбора на разных языках и в различных регионах.

В Agora мы с энтузиазмом смотрим на то, что это значит для создателей интерактивных голосовых продуктов в реальном времени. Более выразительный голос дает ИИ-агенту больше способов соответствовать моменту — будь то помощь клиенту, навигация в приложении или оживление истории.

Управление эмоциями, темпом и акцентом речи

Традиционный синтез речи начинается со сценария и выдает аудиозапись. Слова могут быть правильными, но подача не всегда соответствует задумке. Приветствие может звучать безжизненно. Извинение может прозвучать чересчур жизнерадостно. Изменение настроения посреди предложения бывает трудно передать.

Gemini 3.8 Flash TTS дает разработчикам больше контроля над тем, как именно произносится речь. Они могут настраивать такие параметры, как эмоции, темп, характер и акцент, а также менять стиль по ходу действия. Персонаж может начать фразу тихо и закончить ее с воодушевлением. Голосовой агент может ответить с теплом, если клиент расстроен, а затем зазвучать более бодро, когда проблема будет решена.

Такой контроль важен, потому что разговор динамичен. Люди меняют свой тон по мере того, как слушают и отвечают. Предоставление разработчикам инструментов для управления этими изменениями приближает синтезированную речь к тому опыту, который они пытаются создать.

Более 2000 голосов для разных языков и регионов

Выбор голоса — это еще одна часть творческого процесса. Gemini 3.8 Flash TTS представляет расширенную библиотеку из более чем 2000 голосов, включая варианты, адаптированные для конкретных языков и регионов. Оригинальные именованные голоса также остаются доступными.

Для разработчиков это означает больше возможностей найти голос, который подходит под конкретный сценарий и пользователей. Обучающее приложение, игровой персонаж и агент службы поддержки могут потребовать совершенно разного звучания. Региональные варианты голосов также помогают сделать продукт более привычным для аудитории в разных уголках мира.

Масштаб библиотеки впечатляет, но реальная ценность заключается в свободе выбора. Команды могут не ограничиваться парой голосов по умолчанию, а подумать о том, как их продукт должен звучать для каждой аудитории и каждого варианта использования.

Консистентность голоса и многоголосовая речь

Убедительный голосовой опыт должен работать на отрезке длиннее одного предложения. В продолжительном разговоре небольшие изменения в качестве звука или акценте могут начать отвлекать. Диалоги между спикерами также должны ощущаться как живая беседа с естественным темпом и реакциями.

Gemini 3.8 Flash TTS разработана для улучшения стабильности звучания в длинных репликах и поддержки более естественного диалога между несколькими участниками. Она привносит большую реалистичность в такие элементы, как дыхание, темп и смена реплик. Эти детали могут иметь решающее значение в интерактивной истории, обучающем уроке или при работе с голосовым агентом, который помогает пользователю выполнять задачу в течение нескольких минут.

Для приложений реального времени цель состоит в том, чтобы удержать вовлеченность пользователей. Голос должен поддерживать взаимодействие — от первого приветствия до самого конца беседы.

Что разработчики могут создать с помощью Gemini TTS

Мы видим широкие возможности для более выразительной генерации речи: голосовые агенты, отвечающие с уместной интонацией, обучающие материалы, делающие диалог увлекательным, персонажи, сохраняющие узнаваемость на протяжении всей истории, и приложения, способные общаться с людьми голосами, подходящими для их языка и региона.

Разработчики сами решат, что создавать с помощью Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. Привлекательность этого запуска заключается в том просторе, который они теперь получают для проектирования самого голоса. Они могут работать над манерой подачи, индивидуальностью и динамикой разговора наравне с текстом на экране.

В Agora мы верим, что следующая волна голосового ИИ будет определяться опытом, в котором приятно участвовать. Более выразительная речь и гораздо более широкий спектр голосов дают разработчикам новые инструменты для воплощения этого опыта в реальность.