Google udostępnia nowe modele audio Gemini 3.8 TTS

Google udostępniło dwa nowe modele zamiany tekstu na mowę: Gemini 3.8 Flash-Lite TTS oraz Gemini 3.8 Flash TTS. Według firmy są to jej najbardziej ekspresyjne modele audio, jakie do tej pory opracowano. Skupiono się na poprawie naturalności i jakości generowanego głosu, co otwiera nowe możliwości zastosowań w interaktywnych aplikacjach. (Źródło: Google)

Konkurencyjne rozwiązania na rynku audio AI

Równocześnie na rynku pojawiają się inne zaawansowane technologie audio. Alibaba wprowadziła na rynek Qwen Audio 3.1 z pięcioma nowymi modelami. (Źródło: The Decoder) Z kolei NVIDIA zaprezentowała Nemotron 3 Diarization, funkcję do zaawansowanego przetwarzania dźwięku, która umożliwia identyfikację wielu mówców w czasie rzeczywistym. (Źródło: Hugging Face) Wzrost w tym segmencie potwierdza również rosnąca wycena firm takich jak Snorkel AI, która potroiła swoją wartość do 3,5 miliarda dolarów w odpowiedzi na rosnące zapotrzebowanie na dane treningowe dla AI. (Źródło: TechCrunch)

Znaczenie dla firm

Dostęp do coraz bardziej zaawansowanych modeli text-to-speech otwiera nowe możliwości w zakresie automatyzacji obsługi klienta, tworzenia treści audio oraz interaktywnych asystentów głosowych. Udoskonalona jakość i ekspresyjność generowanej mowy mogą przełożyć się na lepsze doświadczenia użytkowników i większą efektywność w komunikacji.