Google hat zwei neue Text-zu-Sprache-Modelle (TTS) vorgestellt: Gemini 3.8 Flash TTS und Flash-Lite TTS. Beide Modelle unterstützen über 100 Sprachen und ermöglichen es Nutzern, individuelle Regieanweisungen für einzelne Dialogzeilen hinzuzufügen. Flash TTS bietet die Möglichkeit, völlig neue Stimmen allein auf Basis von Textbeschreibungen zu entwerfen.
Funktionsumfang und Anwendungsbereiche
Die Modelle sind für unterschiedliche Anwendungsbereiche konzipiert. Gemini 3.8 Flash TTS richtet sich an kreative Projekte wie Charaktere in Spielen, Hörbücher und Podcasts. Gemini 3.8 Flash-Lite TTS hingegen ist auf kostengünstige Spracherzeugung im großen Maßstab ausgelegt, etwa für Synchronisationen, Audioinhalte und Sprachagenten.
Mit Gemini 3.8 Flash TTS können Nutzer Stimmen von Grund auf neu gestalten. Eine Textaufforderung kann dabei Rolle, Akzent und stimmliche Merkmale in einer Vielzahl von Sprachen und Dialekten definieren. Für Anwender, die nicht bei Null beginnen möchten, bietet Google eine Bibliothek mit über 2.000 voreingestellten Stimmen an, darunter regionale Varianten wie mexikanisches Spanisch, Quebecer Französisch und schottisches Englisch.
Eine Stimmklonierungsfunktion ermöglicht es, ein Stimmprofil aus einer 30-sekündigen Audioaufnahme zu erstellen. Die Nutzung erfordert eine gesprochene Einverständniserklärung der Person, deren Stimme geklont wird, wobei die Stimme in der Aufnahme mit der Probe übereinstimmen muss. Jedes von den Gemini-Audiomodellen generierte Audioclip enthält ein unhörbares SynthID-Wasserzeichen, um KI-generierte Sprache zu erkennen.
Zukünftig wird auch eine Funktion namens „Voice Remixing“ verfügbar sein, die es Nutzern erlaubt, Klangfarbe, Tonhöhe, Tempo und Akzent von Bibliotheksstimmen anzupassen. Diese Funktion ist derzeit jedoch noch nicht freigeschaltet.
Beide Modelle erlauben es, Regieanweisungen für jede Zeile zu hinterlegen oder das Modell Skript-Cues eigenständig interpretieren zu lassen. Google gibt an, dass die Modelle stundenlanges Audio mit minimaler „Sprecherdrift“ erzeugen können, was bedeutet, dass sich die Stimme über die Zeit kaum verändert. Ein Zwei-Stimmen-Modus generiert Dialoge aus einem einzigen Skript, wobei die Stimmen klar voneinander unterschieden werden. Nutzer können zudem Lachen, Seufzer und Geräusche wie „mhm“ skripten, um Reaktionen und Pausen exakt zu platzieren.
Verfügbarkeit und Kosten
Google rollt beide Modelle über die Gemini API und Google AI Studio aus. Flash TTS ist zusätzlich in Gemini Notebook verfügbar, während Flash-Lite TTS in Google Vids genutzt werden kann. Der Zugang über die Gemini Enterprise API soll bald für beide Modelle folgen. Entwicklerplattformen wie Agora, LiveKit, Pipecat und Vercel unterstützen bereits die Integration über die Gemini API.
Die von der kostenlosen Nutzung generierten Daten werden laut Google zur Produktverbesserung verwendet, während Daten aus dem kostenpflichtigen Bereich nicht dafür genutzt werden. Die Preisgestaltung erfolgt pro Million Tokens. Dabei werden Text-Tokens für die Eingabe und Audio-Tokens für die Ausgabe berechnet. Eine Sekunde generierter Audio entspricht 25 Audio-Tokens, was einer Stunde Audioausgabe 90.000 Tokens gleichsetzt.
Bis Ende 2026 belaufen sich die Kosten für eine Stunde Audioausgabe auf 0,81 US-Dollar für Flash TTS und 0,54 US-Dollar für Flash-Lite TTS. Ab dem 1. Januar 2027 steigen diese Kosten auf 1,62 US-Dollar bzw. 1,08 US-Dollar pro Stunde, wobei die Text-Eingabe dann separat abgerechnet wird.
Thema: Gemini. Quelle/Inspiration: The Decoder.