Мне показалось очень интересным то, что Google анонсировал на этой неделе о новом Gemini 3.1 Flash TTS. В основном, им удалось превратить преобразование текста в речь Gemini в нечто гораздо более продвинутое, чем раньше.

Основная сильная сторона здесь в том, что теперь разработчики имеют тонкий контроль над тем, как ИИ говорит. Это не просто монотонный робот, генерирующий аудио. Вы можете настроить тон, скорость, акцент, даже эмоциональное выражение голоса. И самое крутое? Всё это можно делать, используя инструкции на естественном языке, через так называемые "аудио теги". Можно менять стиль выражения посреди фразы, если захотите.

Google сделал это доступным в нескольких местах: Gemini API, AI Studio с интерфейсом типа "режиссёрское кресло", очень интуитивным, Vertex AI для компаний и Google Vids для пользователей Workspace. Там есть три уровня контроля, которые значительно упрощают рабочий процесс.

Что меня привлекло — это рейтинг. Согласно Artificial Analysis, эта модель заняла первое место среди TTS с рейтингом Эло 1.211, попав в "самый привлекательный квадрант". Поддерживает более 70 языков и нативные мультиязычные диалоги, что открывает много возможностей.

И есть важная деталь: весь сгенерированный аудио сопровождается встроенной водяной меткой SynthID, чтобы определить, что оно создано ИИ. Это очень важно в свете всех обсуждений о подлинности контента.

Для тех, кто занимается созданием контента, это значительно меняет правила игры. Текст для Gemini перестает быть просто инструментом преобразования и превращается в ещё один движок программируемой вокальной производительности. Можно последовательно использовать вокальные стили во всей линейке продуктов, что раньше было сложно. Стоит следить за этим развитием.