Корпорация Google выпустила Gemini 3.1 Flash TTS — обновленную модель синтеза речи на базе поколения Gemini 3. Она отличается улучшенным качеством звука, выразительностью и более точным управлением, а также поддерживает более 70 языков.
Нейросеть позволяет разработчикам, компаниям и рядовым пользователям создавать приложения с голосовым ИИ-интерфейсом.
Gemini 3.1 Flash TTS уже доступна:
- для разработчиков — в режиме предварительного доступа через Gemini API и Google AI Studio;
- для предприятий — в Vertex AI;
- для пользователей Workspace — через сервис Google Vids.
Улучшенное качество речи и управляемость
Модель набрала 1211 баллов в рейтинге Artificial Analysis TTS. Этот показатель сформирован на основе предпочтений тысяч респондентов, принимавших участие в слепом тестировании качества аудио.
Компания Artificial Analysis отнесла модель к группе наиболее привлекательных решений благодаря сочетанию высококачественного синтеза речи и низкой стоимости.
LLM выделяется способностью генерировать естественные диалоги с участием нескольких спикеров.
Новые аудио-теги
В версии 3.1 Flash TTS появились аудио-теги — инструмент для управления стилем, темпом и манерой речи.
«Первые разработчики и корпоративные тестировщики уже видят результаты работы 3.1 Flash TTS, отмечая ее впечатляющую управляемость и выразительность. Они рассказали нам, как аудио-теги обеспечивают новый уровень творческой точности, превращая простой текст в высококачественное голосовое исполнение», — говорится в блоге компании.
ИИ-модель для робототехники
Параллельно с Gemini 3.1 Flash TTS корпорация представила Gemini Robotics-ER 1.6. Эта ИИ-модель призвана обеспечить роботов возможностью выполнять сложные задачи в реальных условиях за счет улучшенных когнитивных функций и «воплощенного» мышления.
Нейросеть специализируется на пространственном восприятии, планировании действий и оценке их успешности. Она демонстрирует заметные улучшения по сравнению со своей предшественницей и Gemini 3.0 Flash при выполнении заданий, связанных с пространственным и физическим мышлением.
Gemini Robotics-ER 1.6 может интерпретировать данные со сложных измерительных приборов и наблюдать показатели через смотровые стекла. Эту возможность специалисты Google DeepMind разработали совместно с Boston Dynamics для нужд промышленного сектора.
«Такие возможности позволяют автономно видеть, понимать и реагировать на реальные вызовы», — прокомментировал вице-президент проекта Spot в Boston Dynamics Марко да Сильва.
В тестах на выявление угроз безопасности новинка превзошла Gemini 3.0 Flash на 6% в текстовых сценариях и на 10% при анализе видео.
Интеграция LLM в реальные рабочие процессы уже началось: Boston Dynamics интегрировала Gemini и Gemini Robotics-ER 1.6 в собственную платформу Orbit AIVI-Learning.
Gemini на macOS
Кроме того, Google выпустила нативное приложение Gemini для macOS. Оно доступно по нажатию Option + Пробел. Среди функционала — возможность поделиться окном для мгновенной передачи контекста.
Приложение поддерживает генерацию изображений с помощью Nano Banana, создание видео с Veo и другие привычные инструменты.
Напомним, в апреле Google представила Gemma 4 — новое семейство открытых ИИ-моделей для продвинутых рассуждений и агентных рабочих процессов.
Нашли ошибку в тексте? Выделите ее и нажмите CTRL+ENTER
Рассылки ForkLog: держите руку на пульсе биткоин-индустрии!
Источник: forklog.com
Обсуждение: post