Gemini 3.8 TTS lager stemmer fra tekst også på norsk

Google har oppgradert Gemini fra et bibliotek med ferdige oppleserstemmer til et mer fleksibelt produksjonsverktøy. I lanseringen 23. september introduserte selskapet Gemini 3.8 Flash TTS og Gemini 3.8 Flash-Lite TTS. Begge er laget for tekst-til-tale, men de er rettet mot ulike behov.

Én modell for regi, én for volum

Gemini 3.8 Flash TTS er Googles kreative toppmodell for tale. Den er laget for stemmedesign, skuespill, regionale aksenter og lange dialoger med stabil klang. Flash-Lite er den raskere og mer kostnadseffektive varianten for høy produksjonsmengde, blant annet dubbing, opplesning og taleagenter. Googles modellbeskrivelse oppgir 130 språk for Flash TTS og 101 språk for Flash-Lite.

Skillet er nyttig for norske produksjoner. En lydbok, reklamefilm eller dramatisk podkast trenger gjerne mer regi per replikk, mens en intern opplæring eller en stor mengde korte kundemeldinger kan være mer opptatt av fart og volum. Det er ikke det samme som at alle stemmer høres like gode ut på norsk; en prøve med egne manus og navn bør fortsatt komme før en produksjon settes i gang.

Stemmer kan designes fra en tekstbeskrivelse

Med Flash TTS kan brukeren lage en stemme fra bunnen av ved å beskrive rolle, aksent og egenskaper i en tekstprompt. Google oppgir at stemmedesignet dekker mer enn 100 språk og dialekter, og at biblioteket inneholder over 2 000 produksjonsklare stemmer. Selskapet viser også til lagring av egendefinerte stemmer, slik at samme uttrykk kan brukes videre i et prosjekt.

En annen nyhet er stemmereplikering fra et 30 sekunder langt lydopptak. Google kobler funksjonen til samtykkekontroll og sier at prøven må være en stemme brukeren har rett til å bruke. Lanseringen nevner også SynthID-vannmerking og C2PA-opplysninger som deler av beskyttelsen rundt generert lyd.

Mer regi per replikk

Modellene kan styres linje for linje med instruksjoner om tempo, følelse, uttale og andre vokale uttrykk. Google beskriver støtte for blant annet latter, sukk og korte pauser, i tillegg til lange fortellinger der stemmeklang og lydnivå skal holde seg stabile. Flash TTS kan også sette opp en dialog med to høyttalere fra ett manus, slik at en podkast eller scene får tydeligere rollefordeling. Detaljene i modellkortet viser hvordan stil og høyttaler bør sendes som strukturert metadata.

Norsk bokmål og nynorsk er med

For norske brukere er språklisten det mest konkrete poenget. Googles modellkort for Gemini 3.8 Flash TTS viser både Norwegian Bokmål og Norwegian Nynorsk blant de støttede språkene, med automatisk språkdeteksjon. Det betyr at norske utviklere kan teste begge målformer direkte i API-et, men det sier ikke alene noe om kvaliteten på alle dialekter eller navn.

For utviklere er det også en liten, men viktig migrasjonsdetalj: Googles modellkort oppgir at nye, enkle forespørsler som standard returnerer WAV med RIFF-header, mens eldre Gemini TTS-oppsett kunne bruke headerløs PCM. Google anbefaler derfor å fjerne manuell WAV-innpakking ved migrering, med mindre løsningen trenger et annet lydformat.

Modellene er tilgjengelige gjennom Gemini API, Google AI Studio og Googles egne flater som Gemini Notebook og Google Vids, ifølge Google. For norske bedrifter kan dette gjøre lokal opplesning, internvideo og flerspråklig innhold enklere å prototypere, men samtykke, rettigheter og menneskelig kvalitetssikring bør følge lyden hele veien. Se Altais Gemini-oversikt og kategorien for musikk og lydproduksjon for alternativer.

Ofte stilte spørsmål

Støtter Gemini 3.8 TTS norsk? Ja. Googles modellkort viser både Norwegian Bokmål og Norwegian Nynorsk som støttede språk for Gemini 3.8 Flash TTS, som automatisk oppdager språket i teksten: se språklisten hos Google.

Hva er forskjellen på Gemini 3.8 Flash TTS og Flash-Lite TTS? Flash TTS er laget for høy stemmekvalitet, regi og komplekse dialoger. Flash-Lite er laget for høy gjennomstrømming, lav forsinkelse og kostnadseffektiv produksjon, ifølge Googles modellbeskrivelse.

Kan Gemini replikere en menneskestemme? Google beskriver replisering fra et 30 sekunder langt lydopptak, med samtykkekontroll. Brukeren må ha rett til å bruke stemmen, og Google oppgir SynthID-vannmerking og C2PA-opplysninger som beskyttelsestiltak: les lanseringen.