معرفی مدل‌های متن‌به‌گفتار Gemini 3.8 با قابلیت‌های پیشرفته تولید صدا
گوگل دو مدل جدید متن‌به‌گفتار از خانواده جمینای را معرفی کرد که امکان طراحی صداهای سفارشی، تقلید صدا و کنترل دقیق اجرای خط‌به‌خط را برای سازندگان فراهم می‌کنند.
گوگل دو مدل جدید متن‌به‌گفتار به نام‌های Gemini 3.8 Flash TTS و Gemini 3.8 Flash-Lite TTS را معرفی کرد که تولید صدا را از حالت پیش‌فرض خارج کرده و به یک استودیوی خلاق تبدیل می‌کنند. نسخه Flash برای کارگردانی خلاقانه عمیق و طراحی شخصیت طراحی شده است، در حالی که نسخه Flash-Lite برای مقیاس‌های بزرگ و اقتصادی بهینه‌سازی شده است.
این مدل‌ها به کاربران اجازه می‌دهند با استفاده از پرامپت‌های زبان طبیعی، صداهای کاملاً جدیدی را برای بیش از ۱۰۰ زبان ایجاد کنند یا با نمونه صوتی ۳۰ ثانیه‌ای، صدای خود را شبیه‌سازی نمایند. سیستم‌های امنیتی شامل تأیید رضایت و واترمارک SynthID برای حفاظت از صاحبان صدا در نظر گرفته شده‌اند.
علاوه بر این، توسعه‌دهندگان می‌توانند کنترل دقیقی روی نحوه ادای عبارات، لحن، سرعت و حتی نشانه‌های غیرکلامی مانند خنده یا آه کشیدن داشته باشند. این مدل‌ها هم‌اکنون از طریق Google AI Studio و API جمینای در دسترس توسعه‌دهندگان و کاربران قرار گرفته‌اند.
گزارش فارسی این خبر با کمک هوش مصنوعی و فقط بر اساس اطلاعات منتشرشده در منبع تهیه شده است.