Gemini 3.8: как Google DeepMind изменит синтез речи
Google DeepMind анонсировал Gemini 3.8 — новую модель text-to-speech, которая имитирует человеческую интонацию, эмоции и даже дыхание. Система уже доступна разработчикам в Gemini API.
Синтез речи долгое время оставался одним из самых заметных разрывов между искусственным интеллектом и человеком. Даже самые продвинутые языковые модели, способные писать эссе и код, говорили механически: с роботизированными паузами, ровной интонацией и отсутствием эмоций. Google DeepMind систематически работает над этой проблемой, и анонс Gemini 3.8 text-to-speech (TTS) — очередной шаг к полному стиранию границы между естественной и синтетической речью.
Что произошло
25 марта 2025 года на официальном сайте DeepMind появился релиз Gemini 3.8 — новой версии мультимодальной модели, дополненной мощным текстово-речевым компонентом. В отличие от предыдущих итераций, которые генерировали речь из заранее записанных фрагментов или использовали отдельные нейросети для синтеза, Gemini 3.8 работает как единая модель. Она принимает на вход текст, анализирует его на уровне семантики и контекста, а затем выдаёт голосовой сигнал с точной передачей ударений, темпа, громкости и эмоциональной окраски.
Разработчики особенно подчёркивают поддержку более 140 языков и диалектов, включая редкие языки коренных народов. В демонстрационных роликах модель воспроизводит шепот, смех, вопросительную и восклицательную интонацию, а также междометия вроде «хм» и «ага». По заявлению команды, задержка генерации не превышает 300 миллисекунд, что позволяет использовать систему в реальном времени для разговорных ИИ-ассистентов.
Почему это важно
Прорыв Gemini 3.8 лежит не только в качестве звука, но и в архитектурном подходе. Раньше синтез речи был отдельной задачей: сначала текст, затем акустическая модель, затем вокодер. Теперь же TTS интегрирован в общую мультимодальную модель, которая понимает не только слова, но и смысл высказывания. Это позволяет модели правильно расставлять акценты: например, фраза «Я не говорил, что он украл кошелёк» будет произнесена с разной интонацией в зависимости от того, какое слово нужно выделить. Такое семантическое управление голосом ранее было недоступно.
«Мы хотим, чтобы общение с искусственным интеллектом перестало ощущаться как диалог с машиной. Gemini 3.8 делает речь ИИ частью естественного человеческого общения, а не просто звуковым выводом текста» — отмечается в блоге DeepMind.
Что дальше
Первыми возможность использовать Gemini 3.8 TTS получат разработчики в рамках Gemini API. Ожидается, что уже через несколько месяцев технология появится в Google Assistant, сервисах доступности для слабовидящих, а также в инструментах автоматического дубляжа видео. Аналитики прогнозируют всплеск стартапов, создающих голосовых клонов и интерактивных персонажей для игр и метавселенных.
Вместе с тем публикация Gemini 3.8 обостряет дискуссию о безопасности синтетической речи. DeepMind уже анонсировала встроенный водяной знак в аудиофайлах и политику запрета на генерацию голосов без разрешения человека. Эти меры направлены на предотвращение дипфейков и мошенничества. Эксперты считают, что именно ответственное распространение технологии станет главным вызовом для Google в 2025 году.
Материал подготовлен с помощью ИИ на основе открытых источников и может содержать неточности. Нашли ошибку — напишите на hello@tolk.media.