A Google lançou o Gemini 3.8 Flash TTS e o Flash-Lite TTS, os seus novos modelos de conversão de texto em fala com capacidades que vão muito além de simplesmente ler um texto em voz alta.
Gemini 3.8 Flash TTS clona vozes a partir de 30 segundos de áudio e cria diálogos de dois interlocutores a partir de um único script
A grande novidade é o controlo sobre a entrega vocal. Os novos modelos seguem instruções linha a linha para tom, ritmo, mudanças de dialeto, sussurros, risos, suspiros e outras nuances conversacionais.
É possível criar diálogos entre dois interlocutores a partir de um único script e manter as vozes consistentes ao longo de horas de áudio, abrindo possibilidades para podcasts, audiolivros, dobragem e vídeos narrados com um resultado menos robótico do que os sistemas anteriores.
As opções incluem criar uma voz original a partir de uma descrição em linguagem natural com suporte a mais de 100 línguas e dialetos, escolher entre mais de 2.000 vozes prontas a usar, ou replicar uma voz específica a partir de uma amostra de 30 segundos desde que tenha autorização para o fazer.
Nos benchmarks da Hume AI, o Gemini 3.8 Flash TTS ficou em primeiro lugar geral no Voice Design Benchmark com 60,8 pontos em sotaques, e os modelos Flash e Flash-Lite ocuparam os dois primeiros lugares no índice geral de qualidade. O ElevenLGeminiabs ainda pontuou mais alto nas categorias de qualidade de voz individual e variação natural.
Para os utilizadores regulares, o Flash TTS está a chegar ao Gemini Notebook e o Flash-Lite TTS ao Google Vids.
Os programadores têm acesso a ambos através da API Gemini e do AI Studio. A clonagem de vozes está bloqueada em várias regiões incluindo o Reino Unido, o Espaço Económico Europeu, a Índia e alguns estados americanos, com verificação de consentimento obrigatória e marcação SynthID para deteção de conteúdo gerado por IA.
Sobre o autor
Aproveite a campanha:
