گوگل نسل تازه مدل‌های تبدیل متن به گفتار خود را با نام Gemini 3.8 Flash TTS و Gemini 3.8 Flash-Lite TTS معرفی کرده است. تمرکز این مدل‌ها فقط روی خواندن طبیعی متن نیست؛ کاربران می‌توانند با دستور متنی شخصیت صدا بسازند، اجرای هر جمله را هدایت کنند و حتی برای پادکست، کتاب صوتی و عامل‌های صوتی مکالمه چندنفره تولید کنند.
Gemini 3.8 TTS چه قابلیت تازه‌ای دارد؟
طبق اعلام رسمی گوگل در ۲۳ سپتامبر ۲۰۲۶، Gemini 3.8 Flash TTS برای کنترل خلاقانه‌تر صدا و طراحی شخصیت صوتی ساخته شده است. نسخه Flash-Lite نیز برای تولید انبوه، دوبله و عامل‌های صوتی با هزینه کمتر در نظر گرفته شده است.
یکی از تغییرات مهم امکان ساخت صدای سفارشی با توضیح متنی است. کاربر می‌تواند نقش، لهجه و ویژگی‌های صوتی را توصیف کند و مدل بر همان اساس یک صدای تازه بسازد.
بیش از ۱۰۰ زبان و ۲۰۰۰ صدای آماده
گوگل می‌گوید این خانواده از بیش از ۱۰۰ زبان و گویش پشتیبانی می‌کند و کتابخانه آن بیش از ۲۰۰۰ صدای آماده برای استفاده در محیط‌های تولیدی دارد. این گستردگی می‌تواند برای تولیدکنندگان محتوای چندزبانه، دوبله و پادکست اهمیت زیادی داشته باشد.
کنترل اجرای هر جمله چگونه انجام می‌شود؟
مدل‌های جدید امکان هدایت اجرای صوتی در سطح جمله را فراهم می‌کنند. سازنده محتوا می‌تواند سرعت، حالت احساسی، تغییر لهجه و حتی واکنش‌هایی مانند خنده، آه یا مکث‌های طبیعی را در متن مشخص کند.
- طراحی صدای تازه با توضیح طبیعی
- کنترل لحن، سرعت و شیوه اجرای جمله‌ها
- تولید مکالمه طبیعی میان دو گوینده از یک اسکریپت
- حفظ ثبات صدا در محتوای طولانی مانند کتاب صوتی و پادکست
- پشتیبانی از نشانه‌های گفتاری مانند خنده، آه و واکنش‌های کوتاه
آیا می‌توان صدای یک فرد را بازسازی کرد؟
گوگل قابلیت Voice Replication را نیز معرفی کرده است. براساس توضیحات رسمی، این قابلیت می‌تواند با نمونه صوتی حدود ۳۰ ثانیه‌ای یک پروفایل صوتی سازگار ایجاد کند، اما استفاده از آن به صدایی محدود است که کاربر حق استفاده از آن را داشته باشد.
گوگل می‌گوید برای این بخش سازوکار تأیید رضایت، واترمارک SynthID و اعتبارنامه‌های C2PA در نظر گرفته شده است. بنابراین قابلیت بازسازی صدا بدون ملاحظات مربوط به رضایت و منشأ محتوا عرضه نشده است.
این ابزار برای چه کسانی کاربرد دارد؟
مهم‌ترین مخاطبان این مدل‌ها تولیدکنندگان پادکست و کتاب صوتی، استودیوهای دوبله، توسعه‌دهندگان بازی و سازندگان عامل‌های صوتی هستند. امکان کنترل شخصیت و اجرای صدا می‌تواند بخشی از فرایندی را که قبلاً به ضبط‌های متعدد نیاز داشت به مرحله تولید مبتنی بر متن منتقل کند.
مدل‌ها از ۲۳ سپتامبر در Google AI Studio و Gemini API عرضه شده‌اند؛ Flash TTS در Gemini Notebook و Flash-Lite TTS در Google Vids نیز در حال عرضه است. گوگل اعلام کرده دسترسی API در Gemini Enterprise به‌زودی ارائه می‌شود.
فوت‌وفن پیش‌تر در مطلب هوش مصنوعی گوگل حالا آفلاین روی کامپیوتر اجرا می‌شود به یکی دیگر از مسیرهای توسعه ابزارهای هوش مصنوعی گوگل پرداخته بود.
تفاوت Flash و Flash-Lite چیست؟
Gemini 3.8 Flash TTS بیشتر برای پروژه‌هایی طراحی شده که به هدایت دقیق بازی صوتی و ساخت شخصیت نیاز دارند. Flash-Lite در مقابل برای حجم بالای تولید، دوبله و سرویس‌هایی مناسب است که هزینه و مقیاس اهمیت بیشتری دارد.
جمع‌بندی
نسل جدید TTS گوگل تلاش می‌کند تبدیل متن به گفتار را از «خواندن متن» به نوعی کارگردانی صوتی نزدیک کند. ساخت صدای سفارشی، کنترل جمله‌به‌جمله و پشتیبانی گسترده زبانی می‌تواند برای تولید محتوای صوتی مهم باشد، اما قابلیت بازسازی صدا در عین حال اهمیت رضایت صاحب صدا و تشخیص محتوای مصنوعی را بیشتر می‌کند.
منبع: Google.
