A Google DeepMind anunciou a expansão da sua família de modelos Gemini com a introdução de duas novas variantes especializadas em conversão de texto em voz: o Gemini 3.8 Flash TTS e o Gemini 3.8 Flash-Lite TTS. Estes modelos marcam uma evolução na tecnologia de síntese de voz, permitindo que utilizadores e programadores criem vozes personalizadas a partir de descrições em linguagem natural, afastando-se da dependência exclusiva de predefinições estáticas.

O Gemini 3.8 Flash TTS foi desenhado para cenários que exigem direção criativa e design de personagens. Segundo a empresa, este modelo oferece controlo granular sobre a performance vocal, permitindo ajustar elementos como o ritmo, a entonação emocional, mudanças de dialeto e sons de conversação. Esta funcionalidade é apresentada como uma ferramenta para a produção de audiolivros, videojogos e conteúdos interativos que necessitam de uma interpretação vocal detalhada.

O Gemini 3.8 Flash-Lite TTS surge como uma solução otimizada para a eficiência e escala. Este modelo é direcionado para empresas que necessitam de processar grandes volumes de áudio, como em serviços de dobragem ou na implementação de agentes de voz em tempo real. Apesar do foco na escalabilidade e na redução de custos, a Google indica que o modelo mantém controlo sobre o tom e as nuances expressivas, assegurando a consistência necessária para aplicações comerciais.

A integração destas tecnologias será feita através de várias plataformas do ecossistema Google, incluindo o Google AI Studio, a Gemini API, o Gemini Enterprise, o Gemini Notebook e o Google Vids. A empresa sublinha que estas novas ferramentas complementam os desenvolvimentos anteriores na área do áudio, consolidando uma oferta que pretende cobrir desde a tradução em tempo real até à criação de conteúdos multimédia complexos.

No que diz respeito à segurança, a Google implementou mecanismos de proteção, incluindo a marca de água digital em todo o áudio gerado pelos novos modelos. Esta medida visa mitigar riscos associados à utilização indevida de vozes sintéticas. A empresa reforça que estas ferramentas foram concebidas para permitir a criação de vozes originais ou a replicação de identidades vocais, sob um quadro de utilização que a empresa descreve como responsável e monitorizado.

Porque importa

A introdução destes modelos marca um passo na produção de áudio. Ao permitir que utilizadores dirijam performances vocais com comandos simples, a Google altera o paradigma da dobragem e da criação de conteúdos, reduzindo barreiras técnicas enquanto levanta questões sobre a autenticidade e a segurança na era da inteligência artificial generativa.

Fontes

Gemini 3.8 text-to-speech says helloGoogle DeepMind ↗