Gemini 3.1 Flash TTS – KI-Sprachmodell der nächsten Generation zur Steuerung des Sprechstils in natürlicher Sprache

(blog.google)

3 Punkte von GN⁺ 14 일 전 | Noch keine Kommentare. | Auf WhatsApp teilen

Googles neu veröffentlichtes Text-to-Speech-Modell bietet im Vergleich zu bisherigen Modellen mehr Natürlichkeit und Ausdrucksstärke und unterstützt Entwickler, Unternehmen und allgemeine Nutzer beim Aufbau von KI-Sprachanwendungen
Mit der neu eingeführten Funktion Audio Tags lassen sich Sprachstil, Sprechgeschwindigkeit und Vortragsweise fein steuern, indem Befehle in natürlicher Sprache direkt in den Text eingefügt werden
Im Artificial Analysis TTS Leaderboard erzielte es einen Elo-Wert von 1.211 und wurde als ideale Kombination aus hochwertiger Sprachgenerierung und niedrigen Kosten bewertet
Unterstützt mehr als 70 Sprachen und verfügt über eine native Multi-Speaker-Dialogfunktion
Auf alle erzeugten Audiodateien wird ein SynthID-Wasserzeichen angewendet, was eine verlässliche Erkennung KI-generierter Inhalte und die Verhinderung von Desinformation ermöglicht

Einführung und Verfügbarkeitskanäle

Gemini 3.1 Flash TTS ist das neueste Text-to-Speech-Modell und bietet verbesserte Steuerbarkeit, Ausdruckskraft und Qualität
Derzeit ist es als Preview über die folgenden Kanäle verfügbar:
- Für Entwickler: Gemini API und Google AI Studio
- Für Unternehmen: Vertex AI
- Für Workspace-Nutzer: Google Vids

Die allgemeine Sprachqualität wurde verbessert, wodurch es bislang das natürlichste und ausdrucksstärkste Modell ist
Im Artificial Analysis TTS Leaderboard erreichte es auf Basis von Tausenden verblindeten menschlichen Präferenzbewertungen 1.211 Elo-Punkte
Artificial Analysis platzierte Gemini 3.1 Flash TTS als ideale Kombination aus hochwertiger Sprachgenerierung und niedrigen Kosten im „most attractive quadrant“
Es hebt sich durch native Multi-Speaker-Dialoge, Unterstützung für mehr als 70 Sprachen und fein abgestimmte kreative Steuerung auf Basis natürlicher Sprache ab

Mit der neuen Funktion Audio Tags lassen sich Sprachstil, Sprechgeschwindigkeit und Vortragsweise intuitiv steuern
Durch das direkte Einfügen natürlichsprachlicher Befehle in die Texteingabe kann die KI-Sprachausgabe detailliert angepasst werden
Unternehmen können Audio Tags innerhalb von Vertex AI nutzen, um Enterprise-Anwendungen der nächsten Generation zu entwickeln
In Google AI Studio stehen konfigurierbare Steuerelemente zur Verfügung, die Entwickler auf den „Regiestuhl“ setzen:
- Scene direction: Definiert die Umgebung und setzt konkrete Dialoganweisungen, um Charakteren Worldbuilding-Kontext zu geben, damit sie über mehrere Gesprächsrunden hinweg natürlich reagieren
- Speaker-level specificity: Besetzt Charaktere mit einem individuellen Audio Profile, steuert Tempo, Ton und Intonation über Director's Notes und ermöglicht durch Inline-Tags sogar Ausdruckswechsel mitten im Satz
- Seamless export: Fertige Parameter lassen sich als Gemini API-Code exportieren, damit die Stimme über verschiedene Projekte und Plattformen hinweg konsistent bleibt
Damit können Entwickler einprägsame Charaktere und immersive Audioerlebnisse umsetzen

Bietet hochauflösende Stimmen und präzise Steuerung in mehr als 70 Sprachen
Durch fortschrittliche Steuerung von Stil, Geschwindigkeit und Intonation für wichtige Märkte lassen sich lokalisierte Spracherlebnisse aufbauen
Frühe Tester aus Entwicklung und Unternehmen bewerteten die beeindruckende Steuerbarkeit und Ausdruckskraft von 3.1 Flash TTS sehr positiv
- Feedback zufolge liefern Audio Tags ein neues Maß an kreativer Präzision und verwandeln einfachen Text in hochauflösende vokale Performances

Auf alle von Gemini 3.1 Flash TTS erzeugten Audiodateien wird ein SynthID-Wasserzeichen angewendet
Das nicht wahrnehmbare Wasserzeichen wird direkt in die Audioausgabe eingebettet und ermöglicht die verlässliche Erkennung KI-generierter Inhalte
Es dient als Sicherheitsmaßnahme zur Verhinderung von Desinformation, während die Model Card detaillierte Informationen zu Sicherheit und Verantwortung bereitstellt