Google DeepMind, Yeni Gemini 3.8 Metin-Konuşma Modellerini Tanıttı: Ses Sentezinde Yaratıcı Devrim

Google DeepMind, Gemini ailesine iki yeni metin-konuşma (Text-to-Speech - TTS) modeli olan Gemini 3.8 Flash TTS ve Gemini 3.8 Flash-Lite TTS'i eklediğini duyurdu. Bu yeni modeller, yapay zeka destekli ses üretiminde derinlemesine yaratıcı yönlendirme ve karakter tasarımını mümkün kılarak, sesli asistanlardan sürükleyici sesli kitaplara kadar geniş bir kullanım alanına hitap ediyor. Modeller, Gemini Notebook ve Google Vids gibi ürünlerde kullanıcı deneyimlerini de iyileştirmeyi hedefliyor.

Gemini 3.8 Flash TTS, özellikle oyunlar, sürükleyici sesli kitaplar, podcast'ler ve interaktif medya için sıfırdan tamamen yeni sesler yaratma yeteneğiyle öne çıkıyor. Doğal dil istemleri kullanarak karakterlere hayat verme, performansları satır bazında yönetme, aksan kaydırmaları ve geri bildirimler üzerinde granüler kontrol sağlama gibi gelişmiş özellikler sunuyor. Öte yandan, Gemini 3.8 Flash-Lite TTS ise yüksek hacimli, uygun maliyetli ölçek için optimize edilmiş durumda. Dublaj, sesli içerik oluşturma ve hassas ton, hız ve ifade nüansları üzerinde ince ayar kontrolü gerektiren ekspresif sesli ajanlar için ideal bir çözüm sunuyor.

Yeni modeller, 100'den fazla dil ve lehçede özelleştirilmiş sesler oluşturma imkanı tanıyor. Kullanıcılar, doğal dil istemleriyle roller, aksanlar ve ses karakteristiklerini belirleyerek 'Melbourne'dan enerjik bir DJ' veya 'Japon bir ejderha' gibi tamamen benzersiz ses profilleri tasarlayabiliyor. Ayrıca, mevcut 2.000'den fazla üretim odaklı ses kütüphanesine erişim ve sadece 30 saniyelik bir ses örneğiyle ses kopyalama yeteneği de sunuluyor. Ses kopyalama özelliği, rıza doğrulaması, SynthID filigranlama ve C2PA kimlik bilgileri gibi dahili güvenlik araçlarıyla desteklenerek geliştiricilerin ve ses yeteneklerinin korunmasını sağlıyor. Yakın zamanda gelecek olan 'ses yeniden karıştırma' özelliği ile kullanıcılar, ses kütüphanesinden bir ses seçerek tını, perde, hız ve aksan üzerinde ince ayarlar yapabilecek.

Performans yönetimi konusunda da önemli yenilikler var. Her iki TTS modeli de her bir satırın nasıl seslendirileceği üzerinde hassas kontrol sağlıyor. Kullanıcılar kendi sahne yönlendirmelerini yazabiliyor veya Gemini'nin doğal senaryo ipuçlarıyla (sakin bir müşteri hizmetleri temsilcisinden fısıltılı bir gerilim sahnesine kadar) yönlendirme yapmasına izin verebiliyor. Uzun biçimli içerik üretiminde (podcast'ler, sesli kitaplar) saatler süren kesintisiz seslerde yüksek ses kalitesi, doğal tempo ve minimum konuşmacı kayması korunuyor. Yerel iki konuşmacılı sahneleme, tek bir senaryodan çok turlu konuşmaların sorunsuz bir şekilde yönetilmesini sağlarken, konuşmacıların seslerini net bir şekilde ayrıştırıyor. Ayrıca, `<gülüşmeler>`, `<iç çekmeler>`, `<nefes almalar>` gibi sözsüz ipuçları ve `|mhm|` veya `|evet|` gibi aktif dinleme arayüzleri ekleyerek gerçekçi konuşma dokusu yaratmak mümkün.

Benchmark testlerinde Gemini 3.8 Flash TTS, Hume AI'nin Voice Design Benchmark'ında 71.4 puanla genel sıralamada 1 numaraya yerleşti ve aksan modellemesinde 60.8 puanla lider oldu. Her iki model de Hume AI'nin Overall Quality Index'inde sırasıyla 1. ve 2. sıraları alarak güvenilirliğinden ödün vermeden gerçekten etkileyici performanslar sergiledi. Voice Arena'daki kör insan tercih değerlendirmelerinde ise Gemini 3.8 Flash ve Flash-Lite TTS, Japonca, Brezilya Portekizcesi, Vietnamca, Modern Standart Arapça (MSA), Meksika İspanyolcası ve Hintçe gibi önemli küresel dillerde rakipleri arasında zirve pozisyonlarını elde etti. Bu modeller, 100'den fazla dil desteği ile dünya genelinde yüksek kaliteli, çok dilli ses deneyimleri oluşturmak için içerik oluşturuculara, geliştiricilere ve işletmelere güç veriyor. Tüm bu yetenekler, Google AI Studio sesli oyun alanında geliştiricilerin kullanımına sunuldu.