Tech • IA • Robotique • Jeu
Concevoir et reproduire des voix avec Gemini 3.8 Flash TTS
5/10INTRO
Google a étendu Gemini TTS avec la réplication de voix, la conception de voix par prompt, une sortie multilingue, un accès API réutilisable et la génération de dialogues multi-intervenants, pour des applications vocales à la fois expressives et économiques.
POINTS CLÉS
Deux améliorations majeures
Gemini TTS ajoute désormais la réplication de voix et la conception de voix, allant au-delà des voix prédéfinies fixes. Une voix peut être clonée à partir d’environ 20 secondes d’audio, tandis qu’une nouvelle voix synthétique peut être créée à partir d’une description écrite comme l’âge, l’énergie, l’accent et le rôle.
Création de voix par prompt
Dans Google AI Studio, les utilisateurs peuvent décrire un persona cible et générer plusieurs exemples de voix parmi lesquels choisir. Un exemple utilisait un animateur au style radio, très énergique, en espagnol argentin de Buenos Aires, et le système a produit automatiquement un échantillon vocal pour présenter la voix conçue.
L’accent se conserve d’une langue à l’autre
Les voix conçues peuvent être réutilisées dans d’autres langues que celle de leur création. Lors des tests, une voix créée pour l’espagnol argentin a lu un poème en allemand avec un accent espagnol marqué, montrant que les traits d’accent persistent dans la sortie multilingue.
Voix disponibles via l’API
Les voix personnalisées créées par prompt ou par réplication peuvent être réutilisées par programmation via l’API Gemini. Une configuration simple en Python avec le dernier client Google Gen AI peut lister les voix liées à un compte, y compris les voix conçues et les voix répliquées.
De grandes bibliothèques de voix personnelles sont possibles
La gestion au niveau du compte prend en charge plusieurs voix enregistrées. Dans une démonstration, le compte contenait 22 voix créées par prompt ainsi que plusieurs voix répliquées, dont des profils personnalisés nommés et des voix de test, ce qui indique un support pour des expérimentations plus larges et des workflows de production.
Bibliothèque étendue de voix préconstruites
Au-delà des voix personnalisées, la plateforme propose aussi une bibliothèque étendue de voix préconstruites. Celles-ci peuvent être filtrées selon des attributs comme le genre ou la langue, y compris le japonais, mis en avant comme l’une des langues les plus solides du système.
Génération de dialogues multi-intervenants
Un nouveau mode multi-intervenants peut générer des conversations aller-retour avec des personas et des styles de diction distincts. Un exemple de workflow a créé un programme audio à deux animateurs en utilisant d’abord Gemini 3.8 Flash pour rechercher un sujet, puis en rédigeant un script et en attribuant des voix différentes à chaque animateur.
Exemple: l’histoire de Dublin
Un segment généré mettait en scène une animatrice en anglais britannique et un animateur irlandais discutant de l’histoire de Dublin, des origines vikings jusqu’à l’ère moderne des Silicon Docks. Le résultat représentait environ trois minutes de dialogue produites rapidement, même si le choix d’accent bénéficiait encore d’un ajustement via la bibliothèque de voix.
Deux niveaux de modèles TTS
La gamme comprend Gemini 3.8 Flash TTS, positionné comme l’option la plus expressive avec le plus large support linguistique, et Gemini 3.8 Flash-Lite TTS, destiné aux cas d’usage à fort volume et à coût optimisé. Le modèle plus léger prend en charge moins de langues, mais reste présenté comme solide sur les benchmarks de qualité.
Intégrations partenaires
L’adoption est favorisée par des intégrations avec des partenaires tels que Agora, LiveKit, Pipecat et Vercel. Ces partenariats visent à faciliter le déploiement des modèles TTS dans les communications en temps réel, les agents vocaux et les frameworks applicatifs.
CONCLUSION
La dernière version de Gemini TTS fait évoluer la parole synthétique, de préréglages génériques vers une production vocale personnalisable, multilingue et programmable. La principale question concurrentielle est désormais de savoir avec quelle fiabilité ces outils peuvent équilibrer réalisme, contrôle de l’accent et passage à l’échelle dans des produits réels.
Poser une question