Google continua a espandere le capacità audio di Gemini con due nuovi modelli dedicati alla sintesi vocale. Si tratta di Gemini 3.8 Flash TTS e Gemini 3.8 Flash-Lite TTS che permettono di creare voci personalizzate, replicarle e controllare nel dettaglio l’interpretazione del testo. Questi nuovi modelli arrivano dopo Gemini 3.8 Live e 3.8 Live Extended Thinking (i due nuovi modelli conversazionali) e Gemini 3.1 Flash TTS (il modello dedicato alla sintesi vocale) con Google che ora amplia la propria famiglia di modelli audio con due soluzioni pensate per esigenze differenti. La prima punta soprattutto sulla qualità e sulla personalizzazione delle voci, mentre la seconda è progettata per gestire grandi quantità di contenuti mantenendo costi più contenuti.

Segui TuttoAndroid su Google Discover

Cosa si può fare con questi nuovi modelli

Gemini 3.8 Flash TTS è il modello pensato per chi vuole avere un controllo più preciso sulla voce generata con l’intelligenza artificiale. Con questo modello Google permette di creare una nuova identità vocale partendo da una semplice descrizione in linguaggio naturale, indicando caratteristiche come ruolo, accento e stile della voce.

Le possibilità vanno dalla creazione di personaggi per videogiochi e contenuti interattivi fino alla realizzazione di audiolibri e podcast. La voce può poi essere guidata durante la lettura del testo, modificando ritmo, tono, accento e modo di interpretare le singole battute.

Gemini 3.8 Flash-Lite TTS ha invece un obiettivo diverso. Il modello è pensato per la generazione di grandi quantità di contenuti audio, come doppiaggi, contenuti prodotti su larga scala e agenti vocali, mantenendo comunque la possibilità di intervenire su tono, ritmo ed espressività.

Creare voci da zero

Una delle novità più interessanti riguarda proprio la possibilità di creare nuove voci senza partire necessariamente da un catalogo predefinito. Google spiega che Gemini 3.8 Flash TTS può generare una voce sulla base di istruzioni scritte in linguaggio naturale. È possibile, per esempio, descrivere un personaggio, indicarne l’accento e specificarne alcune caratteristiche vocali con il sistema che supporta oltre 100 lingue e dialetti.

Per chi non vuole creare una voce da zero sono disponibili più di 2.000 voci già pronte per la produzione. La libreria comprende anche varianti regionali, come lo spagnolo messicano, il francese del Québec e l’inglese scozzese. Tra gli esempi mostrati da Google ci sono un DJ di Melbourne, un robot dalla voce sottile e monotona e anche un drago giapponese.

Replicare una voce con un campione di 30 secondi

Gemini 3.8 Flash TTS permette anche di replicare una voce esistente. Per farlo sono sufficienti 30 secondi di registrazione, ma Google specifica che il campione deve essere della propria voce oppure di una voce per la quale si possiedono i diritti necessari. La voce ottenuta può essere salvata e riutilizzata nei diversi progetti, così da mantenere una maggiore coerenza nel tempo. Google sta lavorando anche a una funzione di remix che permetterà di modificare una voce già presente nella libreria intervenendo su caratteristiche come timbro, altezza, velocità e accento. La funzione arriverà prossimamente. C’è però una limitazione importante per gli utenti italiani. La replica vocale attraverso Google AI Studio non è disponibile nello Spazio economico europeo, quindi nemmeno in Italia, oltre che in Illinois, Texas, Regno Unito, Svizzera e India.

Il testo diventa sceneggiatura

La personalizzazione non riguarda soltanto la voce. I nuovi modelli permettono infatti di indicare direttamente nel testo come deve essere pronunciata una determinata frase. Le indicazioni di scena si possono scrivere direttamente nel copione oppure lasciare che sia Gemini a orientare l’interpretazione in base ai segnali presenti nel testo, dal tono pacato di un operatore di assistenza clienti a una scena di suspense sussurrata.

Il sistema è pensato anche per contenuti molto lunghi. Google sottolinea infatti la capacità di mantenere una voce coerente per ore di audio, un aspetto particolarmente utile per podcast e audiolibri.

Dialoghi a due voci e reazioni naturali

I nuovi modelli possono inoltre gestire conversazioni tra due persone all’interno dello stesso copione, mantenendo distinti i due interlocutori e gestendo i relativi turni di parola.

Nel testo possono essere inserite anche espressioni non verbali come risate, sospiri e sussulti. Sono previste persino interiezioni utilizzate durante l’ascolto, come “mhm” e “yeah”, che possono contribuire a rendere più naturali le conversazioni generate. È una caratteristica particolarmente interessante per gli agenti vocali, ma anche per podcast, contenuti narrativi e produzioni audio nelle quali il semplice passaggio da testo a voce non è sufficiente.

Segui Google su Telegram, ricevi news e offerte per primo

Le prime reazioni

Google riporta risultati particolarmente positivi nei benchmark dedicati alla generazione vocale. Gemini 3.8 Flash TTS ha ottenuto 71,4 punti nel Voice Design Benchmark di Hume AI, raggiungendo il primo posto assoluto secondo la classifica citata dall’azienda. Il modello ha ottenuto anche 60,8 punti nella valutazione relativa alla modellazione degli accenti. Nell’Overall Quality Index di Hume AI, Gemini 3.8 Flash TTS e Gemini 3.8 Flash-Lite TTS occupano rispettivamente il primo e il secondo posto. Google segnala anche risultati elevati nelle valutazioni basate sulle preferenze degli utenti di Voice Arena, con posizioni di vertice in diverse lingue, tra cui giapponese, portoghese brasiliano, vietnamita, arabo standard moderno, spagnolo messicano e hindi. Il supporto complessivamente supera le 100 lingue.

L’attenzione alla sicurezza

La possibilità di creare e replicare voci porta inevitabilmente con sé anche il problema dell’utilizzo non autorizzato dell’identità vocale. Google spiega di aver introdotto un sistema di consenso per la replica vocale. Prima della creazione, il proprietario della voce deve fornire un consenso verbale registrato che corrisponda al parlante di riferimento. Gli audio generati dai modelli Gemini Audio vengono inoltre contrassegnati con SynthID, una filigrana invisibile integrata direttamente nel contenuto audio. Per la replica vocale sono previste anche credenziali C2PA.

Disponibilità e accesso

Gemini 3.8 Flash TTS è disponibile da subito per gli sviluppatori attraverso l’API Gemini e Google AI Studio, dove Google ha introdotto anche un nuovo spazio dedicato alla progettazione delle voci. Oltre che agli sviluppatori, il modello è in distribuzione per tutti gli utenti in Gemini Notebook, mentre per le aziende l’arrivo su Gemini Enterprise, tramite API, è previsto successivamente. Gemini 3.8 Flash-Lite TTS segue un percorso simile per sviluppatori e aziende, mentre gli utenti possono trovarlo in Google Vids.

Google cita tra le aziende che stanno integrando i nuovi modelli Figma, HeyGen, Linguana, Wondercraft, 99.co e Ollang, con l’obiettivo di accelerare il doppiaggio a livello globale, localizzare i contenuti con accenti regionali e far funzionare agenti vocali conversazionali su larga scala. Gli sviluppatori, inoltre, possono contare su piattaforme come Agora, LiveKit, Pipecat e Vercel, che tramite l’API Gemini permettono di creare e distribuire funzioni di generazione vocale con facilità.