Gemini 3.8 Flash TTS – గూగుల్ జెమిని 3.8 ఫ్లాష్ TTS మోడల్స్ లాంచ్! కస్టమ్ వాయిస్ క్రియేషన్, 30-సెకన్ల శాంపిల్ ద్వారా వాయిస్ క్లోనింగ్, 100+ భాషల సపోర్ట్ పూర్తి వివరాలు ఇక్కడ.
Gemini 3.8 Flash TTS : Custom Voice AI Features
Gemini 3.8 Flash TTS – గూగుల్ (Google) తన ఆర్టిఫిషియల్ ఇంటెలిజెన్స్ (AI) సామర్థ్యాలను మరింత విస్తరిస్తూ, రెండు కొత్త టెక్స్ట్-టు-స్పీచ్ (TTS) మోడల్స్ను విడుదల చేసింది: Gemini 3.8 Flash TTS మరియు Gemini 3.8 Flash-Lite TTS.
ఈ కొత్త మోడల్స్ కేవలం టెక్స్ట్ను చదవడమే కాకుండా, సహజ భాష ద్వారా కొత్త వాయిస్లను సృష్టించడం, 30-సెకన్ల శాంపిల్ ద్వారా వాయిస్లను క్లోన్ (replicate) చేయడం మరియు మల్టీ-స్పీకర్ సంభాషణలను జనరేట్ చేయడం వంటి అద్భుతమైన ఫీచర్లతో వస్తున్నాయి. 100కు పైగా భాషలు మరియు మాండలికాలను సపోర్ట్ చేసే ఈ కొత్త AI టూల్స్ యొక్క పూర్తి వివరాలను ఇక్కడ తెలుసుకుందాం.
“AI వాయిస్ టెక్నాలజీలో కొత్త శకం – జెమిని 3.8 ఫ్లాష్ TTSతో కస్టమ్ వాయిస్ క్రియేషన్ మరియు క్లోనింగ్!”
జెమిని 3.8 TTS మోడల్స్ ఏమి చేయగలవు? (What Gemini 3.8 TTS Can Do)
ఈ కొత్త TTS మోడల్స్ ఆడియో జనరేషన్లో అనేక అడ్వాన్స్డ్ ఫీచర్లను అందిస్తున్నాయి:
- సహజ భాష ద్వారా వాయిస్ క్రియేషన్: యాక్సెంట్, రోల్ మరియు వాయిస్ స్టైల్ వంటి లక్షణాలను టెక్స్ట్ ప్రాంప్ట్ల ద్వారా నిర్వచించి, సరికొత్త వాయిస్లను సృష్టించవచ్చు. గూగుల్ ఇప్పటికే 2,000కు పైగా రెడీమేడ్ వాయిస్లను కూడా అందిస్తోంది.
- వాయిస్ క్లోనింగ్ (Voice Replication): కేవలం 30-సెకన్ల ఆడియో శాంపిల్ ద్వారా ఒక వ్యక్తి వాయిస్ను రీక్రియేట్ చేయవచ్చు. (గమనిక: దీని కోసం వాయిస్ ఓనర్ యొక్క అనుమతి మరియు కన్సెంట్ రికార్డింగ్ తప్పనిసరి. జనరేట్ అయ్యే ఆడియోలో SynthID వాటర్మార్క్ ఉంటుంది).
- మల్టీ-స్పీకర్ మరియు నాన్-వెర్బల్ సౌండ్స్: ఒకే స్క్రిప్ట్ నుండి ఇద్దరు వ్యక్తుల మధ్య సంభాషణను జనరేట్ చేయవచ్చు. అలాగే, నవ్వులు, నిట్టూర్పులు మరియు ఆశ్చర్యపోవడం (gasps) వంటి నాన్-వెర్బల్ సౌండ్స్ను కూడా జోడించవచ్చు.
- లాంగ్-ఫారమ్ ఆడియో: పాడ్కాస్ట్లు మరియు ఆడియోబుక్స్ కోసం ఎక్కువ నిడివి గల ఆడియోను జనరేట్ చేసినప్పుడు, ఎంచుకున్న వాయిస్ టోన్ మరియు స్టైల్ చివరి వరకు స్థిరంగా ఉంటుంది.
Flash TTS vs Flash-Lite TTS: తేడా ఏమిటి?
గూగుల్ రెండు వేర్వేరు మోడల్స్ను విడుదల చేసింది, ఇవి వేర్వేరు అవసరాలను తీరుస్తాయి:
- Gemini 3.8 Flash TTS: వాయిస్ క్రియేషన్ మరియు డెలివరీపై డీటెయిల్డ్ కంట్రోల్ అవసరమయ్యే అప్లికేషన్ల కోసం రూపొందించబడింది (ఉదా: క్రియేటివ్ ప్రాజెక్ట్స్, సినిమా డబ్బింగ్).
- Gemini 3.8 Flash-Lite TTS: డబ్బింగ్, ఆడియో జనరేషన్ మరియు వాయిస్ ఏజెంట్స్ వంటి హై-వాల్యూమ్ టాస్క్స్ (ఎక్కువ మొత్తంలో ఆడియో జనరేట్ చేయడం) కోసం ఆప్టిమైజ్ చేయబడింది.
లభ్యత (Availability)
- Gemini 3.8 Flash TTS: ప్రస్తుతం డెవలపర్ల కోసం Gemini API మరియు Google AI Studioలో అందుబాటులో ఉంది. ఇది Gemini Notebook యూజర్లకు కూడా రోల్ అవుట్ అవుతోంది. ఎంటర్ప్రైజ్ కోసం Gemini Enterprise API త్వరలో రానుంది.
- Gemini 3.8 Flash-Lite TTS: ఇది కూడా API మరియు AI Studioలో అందుబాటులో ఉంది మరియు త్వరలో Google Vidsలో ఇంటిగ్రేట్ చేయబడుతుంది.
భవిష్యత్తులో రాబోయే ఫీచర్లు (Custom Voice Features Coming Later)
గూగుల్ త్వరలో వాయిస్ రీమిక్సింగ్ (Voice Remixing) ఫీచర్ను తీసుకురానుంది. దీని ద్వారా యూజర్లు ఇప్పటికే ఉన్న ఒక వాయిస్ను తీసుకుని, టెక్స్ట్ ప్రాంప్ట్స్ ద్వారా దాని పిచ్ (pitch), టింబ్రే (timbre), వేగం మరియు యాక్సెంట్ను మార్చుకోవచ్చు.
అలాగే, Google AI Studioలో ఒక కొత్త “Audio Playground” జోడించబడింది, ఇక్కడ డెవలపర్లు కస్టమ్ వాయిస్లను సృష్టించి, వాటిని డ్యూయల్-స్పీకర్ స్క్రీన్ప్లే ఎడిటర్లో నేరుగా ఉపయోగించుకోవచ్చు.
బెంచ్మార్క్ ఫలితాలు మరియు తుది తీర్పు (Benchmarks & Final Verdict)
గూగుల్ యొక్క అంతర్గత పరీక్షలలో, ఈ కొత్త మోడల్స్ పాత Gemini 3.1 Flash TTS కంటే లాంగ్-ఫారమ్ జనరేషన్ మరియు టూ-స్పీకర్ కంట్రోల్లో చాలా మెరుగైన ఫలితాలను చూపించాయి. జపనీస్, హిందీ, బ్రెజిలియన్ పోర్చుగీస్ మరియు మెక్సికన్ స్పానిష్ వంటి భాషలలో బ్లైండ్ హ్యూమన్ ప్రిఫరెన్స్ టెస్ట్లలో మరియు Hume AI’s Voice Design Benchmarkలో ఇవి అద్భుతమైన స్కోర్లను సాధించాయి.
జెమిని 3.8 TTS మోడల్స్, కంటెంట్ క్రియేటర్లు, డెవలపర్లు మరియు వ్యాపారాలకు ఆడియో ప్రొడక్షన్ను మరింత సులభతరం మరియు సహజంగా మార్చనున్నాయి.
