Google представила две новые модели преобразования текста в речь: Gemini 3.8 Flash TTS для творческой озвучки персонажей и Gemini 3.8 Flash-Lite TTS — более быструю и дешёвую версию для массового контента и голосовых агентов. Обе модели доступны с 23-24 сентября 2026 года через Gemini APIi, Google AI Studio и Gemini Notebook.

Главная новая функция — генерация голоса с нуля по текстовому описанию (характер, акцент, тембр) и клонирование голоса по 30-секундному образцу записи при наличии подтверждённого согласия владельца. Модели поддерживают более 100 языков и диалектов, включая русский, и содержат библиотеку из более чем 2000 готовых голосов с региональными вариантами (мексиканский испанский, квебекский французский, шотландский английский).

Полный разбор →

Tencent Hunyuan совместно с Шанхайским университетом опубликовали AuK — открытую базовую модель на 1,5 млрд параметров, которая через инструкции на естественном языке решает почти все задачи с аудио: синтез и клонирование голоса, точечную правку текста в записи (включая переписывание строк песни с сохранением мелодии), управление акустикой и эмоциями, шумоподавление, разделение голосов и извлечение вокала из музыки.

Значимость релиза в том, что вместо набора узких инструментов для TTS, voice cloning, denoising и разделения дорожек теперь предлагается одна модель с единым интерфейсом на естественном языке, доступная под MIT-лицензией с открытым кодом и весами.

Полный разбор →