Google ประกาศเปิดตัวโมเดลแปลงข้อความเป็นเสียง (Text-to-Speech หรือ TTS) สองรุ่นใหม่ล่าสุดในตระกูล Gemini ได้แก่ Gemini 3.8 Flash TTS และ Gemini 3.8 Flash-Lite TTS ซึ่งถูกออกแบบมาเพื่อเปลี่ยนรูปแบบการสร้างเสียงสังเคราะห์จากเสียงพรีเซ็ตแบบเดิม ให้กลายเป็นสตูดิโอสร้างสรรค์เสียงเต็มรูปแบบ โดยเปิดให้ใช้งานแล้วบน Google AI Studio, Gemini API, Gemini Enterprise, Gemini Notebook และ Google Vids
สำหรับ Gemini 3.8 Flash TTS เน้นการใช้งานเพื่อสร้างสรรค์เสียงตัวละครและเสียงแบรนด์อย่างลึกซึ้ง ผู้ใช้สามารถเขียนคำสั่งภาษาธรรมชาติเพื่อสร้างเสียงใหม่ขึ้นมาตั้งแต่ต้น (Generative voice design) ปรับแต่งบทบาท สำเนียง และลักษณะเสียงได้มากกว่า 100 ภาษาทั่วโลก รวมถึงมีคลังเสียงพร้อมใช้งานกว่า 2,000 เสียง ตลอดจนฟีเจอร์จำลองเสียง (Voice replication) จากไฟล์เสียงตัวอย่างสั้นเพียง 30 วินาที โดยมีระบบตรวจสอบความยินยอมของผู้แต่งเสียง ลายน้ำ SynthID และการยืนยันข้อมูล C2PA เพื่อป้องกันการละเมิดสิทธิ์
ในขณะที่ Gemini 3.8 Flash-Lite TTS ถูกออกแบบมาเพื่อการใช้งานในปริมาณมากด้วยต้นทุนที่ประหยัด เหมาะสำหรับการพากย์เสียงหลายภาษา การสร้างคอนเทนต์เสียง และเอเจนต์โต้ตอบด้วยเสียง โดยทั้งสองโมเดลมาพร้อมความสามารถในการกำกับอารมณ์แบบบรรทัดต่อบรรทัด การรองรับบทสนทนาสองตัวละครพร้อมกันในไฟล์เดียว (Native two-speaker scene staging) และการแทรกเสียงกริยาธรรมชาติ เช่น เสียงหัวเราะ เสียงถอนหายใจ หรือเสียงตอบรับ เพื่อเพิ่มความสมจริงในการสื่อสาร
โมเดล TTS รุ่นใหม่นี้สร้างผลงานระดับแนวหน้าด้วยการคว้าอันดับ 1 และอันดับ 2 บน Hume AI Overall Quality Index รวมถึงชนะการประเมินความพึงพอใจของผู้ใช้บน Voice Arena ในหลากหลายภาษานานาชาติ ซึ่งช่วยให้นักพัฒนาและองค์กรสามารถนำไปสร้างประสบการณ์เสียงหลากภาษาได้อย่างมั่นใจ
ข้อมูลเพิ่มเติม