
گوگل مدلهای Gemini 3.8 برای تبدیل متن به گفتار را معرفی کرد
گوگل دو مدل Gemini 3.8 Flash TTS و Flash-Lite TTS را برای تولید گفتار با کنترل دقیق لحن، سرعت و ویژگیهای صوتی معرفی کرد. این مدلها از بیش از ۱۰۰ زبان پشتیبانی میکنند و از طریق Gemini API و Google AI Studio برای توسعهدهندگان عرضه شدهاند.
گوگل دو مدل جدید تبدیل متن به گفتار (Text-to-Speech) با نامهای Gemini 3.8 Flash TTS و Gemini 3.8 Flash-Lite TTS را معرفی کرده است. مدل Flash TTS برای طراحی صداهای سفارشی و اجرای خلاقانه دیالوگها و مدل Flash-Lite TTS برای تولید صوت در مقیاس بالا و با تمرکز بر بهرهوری طراحی شدهاند. Gemini 3.8 Flash TTS امکان ایجاد صداهای جدید از طریق دستورهای زبان طبیعی را فراهم میکند و کاربران میتوانند ویژگیهایی مانند نقش، لهجه و خصوصیات صوتی را تعیین کنند. گوگل همچنین از کتابخانهای شامل بیش از ۲ هزار صدای آماده و قابلیت تکثیر صدا از یک نمونه صوتی ۳۰ ثانیهای، با سازوکار تأیید رضایت، خبر داده است. هر دو مدل امکان کنترل خطبهخط اجرای متن را ارائه میکنند؛ از جمله تنظیم سرعت، لحن، نشانههای نمایشی و تعاملات غیرکلامی. Gemini 3.8 Flash TTS همچنین از تولید محتوای بلندمدت و صحنههای گفتوگوی دوگوینده پشتیبانی میکند و گوگل اعلام کرده است که این مدلها برای کاربردهایی مانند پادکست، کتاب صوتی، دوبله و عاملهای صوتی طراحی شدهاند. از نظر ایمنی، گوگل اعلام کرده است که برای تکثیر صدا به نمونه رضایت صوتی صاحب صدا نیاز است. همچنین تمام فایلهای صوتی تولیدشده توسط مدلهای Gemini Audio با واترمارک نامحسوس (SynthID) علامتگذاری میشوند تا امکان شناسایی محتوای تولیدشده با هوش مصنوعی فراهم باشد. برای توسعهدهندگان ایرانی، این قابلیتها میتوانند برای ساخت دستیارهای صوتی، محتوای آموزشی، پادکست، دوبله و رابطهای صوتی چندزبانه کاربرد داشته باشند. پشتیبانی از بیش از ۱۰۰ زبان، همراه با دسترسی از طریق Gemini API و Google AI Studio، امکان توسعه این نوع محصولات را فراهم میکند؛ با این حال، توسعهدهندگان باید شرایط دسترسی و محدودیتهای منطقهای سرویس را جداگانه بررسی کنند.
این مدل در اپکس۲۴ قابل دسترس است
یک کلید API — ۵۰+ مدل هوش مصنوعی




