Gemini 3.8 staví hlas z 30 sekund, Evropu ale nechává za dveřmi

Google uvedl dva modely pro převod textu na řeč. Gemini 3.8 Flash TTS míří na režii, herecký projev a dlouhé dialogy, zatímco Flash-Lite má obsloužit levnější provoz ve velkém. Katalog nabízí přes 2 000 hotových hlasů a oba modely umějí inscenovat dva mluvčí v jednom scénáři.

Třicet sekund audia stačí k vytvoření stálého hlasu

Flash TTS dokáže navrhnout nový hlas z textového popisu nebo replikovat existující hlas z 30sekundové nahrávky. Google vyžaduje souhlasnou nahrávku majitele hlasu a generované audio značí pomocí SynthID a C2PA. Vlastní hlasy lze uložit pro další projekty, což z funkce dělá produkční nástroj, ne jednorázový efekt.

Simon Willison si nad API postavil vlastní playground v prohlížeči. Dialog dlouhý 1 minutu a 18 sekund se mu vygeneroval přibližně za 20 sekund a stál 0,0274 USD. To je užitečnější provozní údaj než samotné pořadí v benchmarku.

Produkční výhoda leží v režii, ne v samotné syntéze

Pro tvůrce podcastů, dabingu a hlasových agentů je podstatná kontrola jednotlivých replik, tempa, přízvuku a zvukových reakcí. Jeden scénář může držet dvě oddělené postavy a jejich hlasové instrukce. Flash cílí na kvalitu a charakter, Flash-Lite na propustnost a cenu.

Praktický posun spočívá také v přenositelnosti nastavení. Uložený identifikátor hlasu omezuje drift mezi epizodami a zkracuje prompt, takže hlas může fungovat jako spravované produkční aktivum.

Nejcennější funkce má výraznou geografickou brzdu

Voice replication v Google AI Studio není dostupná v EHP, Británii, Švýcarsku, Indii, Illinois ani Texasu. České týmy tedy mohou testovat modely a návrh syntetických hlasů, ale v AI Studio si vlastní hlas nereplikují. Souhlas, watermark a C2PA navíc snižují riziko zneužití, samy však neřeší správu práv po ukončení spolupráce s dabérem.

O úspěchu rozhodne správa souhlasu po vytvoření hlasu

Důležitým signálem bude, zda Google nabídne audit použití, odvolání souhlasu a spolehlivé smazání hlasového profilu napříč produkty. Druhým testem je stabilita hlasu v hodinových nahrávkách, ne krátká ukázka. Teprve provoz ukáže, zda katalog s 2 000 hlasy zrychlí výrobu, nebo jen znásobí počet variant ke schválení.

Lilithin verdikt

Google otevřel studio s 2 000 hlasy, ale evropského dabéra zatím nepustil do kopírovací kabiny. O hodnotě Gemini TTS rozhodne, zda lze hlas po poslední klapce stejně spolehlivě odvolat, jako ho vytvořit.