Google'dan Ses Teknolojisinde Devrim: Gemini 3.8 Flash TTS Modelleri ile 'Gülme, İçe Çekme ve Fısıltı' Yönetilebiliyor

Yapay zeka ses teknolojilerini tekdüze metin okuma araçları olmaktan çıkarıp profesyonel bir tiyatro ve dublaj stüdyosuna dönüştüren en kapsamlı adım Google'dan geldi. Şirket, Gemini ailesine iki yeni ses üretim modeli eklediğini duyurdu: Gemini 3.8 Flash TTS ve ultra hızlı Gemini 3.8 Flash-Lite TTS. Modeller, seslendirme sanatçılarının tonlamalarını, nefes alışlarını ve sahne yönlendirmelerini kelimesi kelimesine kontrol etme imkanı tanıyor.

Yaratıcı Stüdyo ve Ölçeklenebilir Ses Ajanları

İki model farklı kullanım senaryolarına göre optimize edildi:

Metin İçi Doğal Reaksiyonlar: <laughs>, <sigh>, <gasp>

Yeni modeller, yazılı senaryo içerisine yerleştirilen yönlendirici etiketleri mükemmel bir şekilde sese dökebiliyor. Kullanıcı metnin arasına <laughs> (gülme), <sigh> (derin iç çekme), <gasp> (nefesi kesilerek şaşırma) veya onay belirten "mhm", "yeah" gibi doğal ses nida etiketleri koyduğunda, yapay zeka tam o saniyede insani reflekslerle duraklayıp nefes alıyor.

Ayrıca tek bir metin üzerinden iki farklı konuşmacının karşılıklı atıştığı çift sesli tiyatral diyaloglar hiçbir ses kayması olmadan tek seferde sentezlenebiliyor.

30 Saniyede Ses Klonlama ve Zorunlu 'Sesli İzin' Doğrulaması

Sistem, herhangi bir kişinin yalnızca 30 saniyelik ses kaydından o kişinin ses tınısını klonlayabiliyor. Ancak kötüye kullanımı ve ses hırsızlığını önlemek amacıyla Google sektöre örnek bir güvenlik kalkanı getirdi: Sesli Onay Doğrulaması. Sesin klonlanabilmesi için ses sahibinin sistemin ekranda verdiği özel bir yasal onay metnini kendi sesiyle okuyup mikrofona kaydetmesi şart koşuluyor. Üretilen tüm seslere ise kulağın duyamayacağı SynthID filigranı ve C2PA kimlik sertifikası gömülüyor.

Hume AI kalite testlerinde dünya birincisi seçilen yeni modeller, Google AI Studio ve Gemini Notebook üzerinde geliştiricilerin kullanımına açıldı.