Google представила две модели для генерации речи — Gemini 3.8 Flash TTS и Gemini 3.8 Flash-Lite TTS. Они умеют не только озвучивать готовый текст, но и создавать новые голоса по описанию, менять манеру речи, акцент, темп и эмоциональную подачу. Отдельная функция позволяет воспроизвести голос человека всего по 30-секундному аудиофрагменту.

Для такого копирования Google требует подтверждения согласия владельца голоса. Созданные записи получают цифровой водяной знак SynthID и данные C2PA, по которым можно определить происхождение контента. Компания разрешает использовать собственный голос либо тот, на воспроизведение которого у пользователя есть соответствующие права.

Gemini 3.8 Flash TTS поддерживает более 100 языков и диалектов, а готовая библиотека насчитывает свыше 2000 голосов. Модель способна отдельно управлять каждой репликой: например, заставить персонажа говорить шёпотом, смеяться, вздыхать или резко менять интонацию. Есть и режим диалога двух собеседников, причём их голоса сохраняются раздельными даже в длинных сценариях.

Flash TTS рассчитана прежде всего на проекты, где требуется точное управление голосом — игры, подкасты и аудиокниги. Более лёгкая Flash-Lite TTS ориентирована на массовую генерацию озвучки, дубляж и голосовых ИИ-агентов. Новые модели уже появились в Google AI Studio и Gemini API.