Google начала развёртывание новой модели преобразования текста в речь Gemini 3.1 Flash TTS. Компания заявляет, что это самый естественный и выразительный голосовой вывод из всех её решений на сегодня.
Ключевое нововведение — аудиотеги. Это простые текстовые команды, с помощью которых разработчики могут задавать стиль, темп, тон и акцент синтезированной речи. Модель поддерживает более 70 языков и умеет работать с диалогами, где участвуют несколько говорящих.
По данным Artificial Analysis, модель получила рейтинг Elo 1211 и выделяется по соотношению качества и цены. В общем качестве она превосходит ElevenLabs v3 и уступает только Inworld 1.5 Max.
Для Gemini 3.1 Flash TTS доступен бесплатный тариф, однако в этом режиме Google использует данные для улучшения своих продуктов. Платный тариф стоит 1 доллар за 1 млн токенов текстового ввода и 20 долларов за 1 млн токенов аудиовывода.
В пакетном режиме цены ниже: 0,50 доллара и 10 долларов за 1 млн токенов соответственно. На платном тарифе Google не использует данные для улучшения продуктов.
Сейчас Gemini 3.1 Flash TTS доступна в режиме предварительного просмотра через Gemini API, Vertex AI для корпоративных клиентов и Google Vids для пользователей Workspace. Протестировать модель бесплатно можно в Google AI Studio.
Весь сгенерированный звук получает водяной знак SynthID от Google, который помечает контент, созданный ИИ.
Источник: The Decoder, Artificial Analysis, Google.
