Jednym z głównych założeń Gemini 3.1 Flash TTS jest osiągnięcie maksymalnie naturalnego brzmienia. Według oficjalnych informacji Google, model generuje mowę bardziej realistyczną niż wcześniejsze rozwiązania, lepiej odwzorowując intonację, emocje i rytm ludzkiej wypowiedzi.
To oznacza, że generowane nagrania mogą być trudniejsze do odróżnienia od prawdziwego głosu, co ma znaczenie m.in. w produkcji audiobooków, podcastów czy systemach asystentów głosowych.
Precyzyjna kontrola nad głosem
Największą innowacją w Gemini 3.1 Flash TTS ma być możliwość bardzo szczegółowego sterowania sposobem mówienia. Użytkownicy mogą korzystać z tzw. audio tagów, które pozwalają określić emocje, tempo czy styl wypowiedzi bezpośrednio w tekście. Przykładowo, możliwe jest dodanie znaczników takich jak: szept, radość, złość, pauzy.
Model obsługuje ponad 200 takich tagów, co ma osiągać niespotykany dotąd poziom kontroli nad generowanym dźwiękiem.
Wielojęzyczność i różnorodność głosów
Gemini 3.1 Flash TTS wspiera ponad 70 języków i wariantów regionalnych. Dodatkowo oferuje kilkadziesiąt predefiniowanych głosów, które można dopasować do konkretnego zastosowania.
Model potrafi również generować dialogi z udziałem wielu mówców.
Każde wygenerowane nagranie ma zawierać cyfrowy znak wodny SynthID, który ma umożliwiać identyfikację treści stworzonych przez AI.
Obecnie Gemini 3.1 Flash TTS jest dostępny w wersji testowej poprzez narzędzia takie jak Google AI Studio, Vertex AI oraz API Gemini.
