Google v utorok 23. septembra spustil dva nové modely prevodu textu na reč: Gemini 3.8 Flash TTS a Gemini 3.8 Flash-Lite TTS. Oba sú dostupné v Gemini API aj v AI Studiu a prinášajú niečo, čo doteraz patrilo skôr špecializovaným nástrojom — hlas navrhnete priamo v textovom prompte, bez výberu z fixného zoznamu.
Čo nové modely vedia
- Generatívny voice design: namiesto výberu hlasu z katalógu opíšete, ako má znieť — tempo, výška, štýl, emócia. Model hlas vygeneruje.
- Vyše 100 jazykov a viac než 2 000 hlasov podľa údajov Google.
- Replikácia hlasu z 30-sekundovej vzorky — so súhlasom nahováraného človeka. Práve táto funkcia má geografické obmedzenie (viac nižšie).
- Dvojrečníkové scény: jeden prompt dokáže vygenerovať dialóg dvoch odlišných hlasov, čo sedí na podcasty a audioknihy.
- Vokálne prvky cez tagy: napríklad
<laughs>vloží do reči smiech; funguje aj pre ďalšie neverbálne zvuky. - Watermarking: výstup je označený cez SynthID a C2PA, teda rozpoznateľný ako syntetický.
Google v nezávislej čitateľskej ankete Hume Voice Design uvádza skóre 71,4 a prvé miesto — ide však o metriku prezentovanú samotným Google, nie o štandardizovaný benchmark.
Ako si to vyskúšať
- Otvorte Google AI Studio a v sekcii TTS vyberte model Gemini 3.8 Flash TTS (Flash-Lite je lacnejšia a rýchlejšia varianta pre produkčné workloady).
- Do promptu napíšte text aj s opisom hlasu, napríklad: „Prečítaj tento text pokojným hlasom moderátora večerného spravodajstva, pomalším tempom.“
- Pre dialóg zadajte repliky dvoch postáv a model ich rozdelí na dva odlišné hlasy.
- Vo vašej appke použite Gemini API — rovnaké modely, platené podľa objemu.
Pozor: obmedzenie pre Slovensko a EÚ
Replikácia vlastného hlasu (voice cloning zo vzorky) nie je v AI Studiu dostupná v Európskej únii ani EHP — a rovnako ani v Spojenom kráľovstve, Švajčiarsku, Indii či amerických štátoch Illinois a Texas. Dôvodom je podľa dostupných informácií regulačná opatrnosť pri biometrických údajoch. Funkcia voice remixing je zatiaľ označená ako „coming soon“.
Pre slovenského tvorcu to v praxi znamená: promptový voice design aj viacjazyčný TTS fungujú, ale naklonovať si vlastný hlas cez AI Studio zatiaľ nepôjde.
Kde to dáva zmysel
- Podcasty a audioknihy: dvojhlasé scény z jedného promptu výrazne skracujú postprodukciu.
- Dabing a lokalizácia: vyše 100 jazykov vrátane menších trhov.
- Voice agenti a IVR: Flash-Lite je navrhnutý na nízku latenciu a cenu.
Každý syntetický výstup nesie SynthID/C2PA označenie — pri komerčnom použití počítajte s tým, že pôvod reči je dohľadateľný.
