Heute geben wir bedeutende Verbesserungen unserer Text-to-Speech (TTS) Preview-Modelle Gemini 2.5 Flash und Gemini 2.5 Pro bekannt.
Zu den wichtigsten Neuerungen gehören:
- Verbesserte Ausdrucksstärke: Größere Tonvielfalt und striktere Einhaltung von Stilvorgaben.
- Präzises Tempo: Intelligentere, kontextabhängige Geschwindigkeitsanpassungen und bessere Befolgung von Anweisungen.
- Nahtlose Dialoge: Konsistente Charakterstimmen in Szenarien mit mehreren Sprechern.
Diese Modelle werden unsere im Mai veröffentlichten TTS-Modelle ersetzen. Du kannst sofort mit dem „Vibe Coding“ von Apps in Google AI Studio beginnen und die Modellfähigkeiten noch heute im Playground erkunden.
Neue TTS Flash und Pro Modelle
Viele Entwickler verlassen sich auf Text-to-Speech, um hochwertige Inhalte zu erstellen, die eine detaillierte Kontrolle über Stil, Tonfall, Tempo und Akzente erfordern – von langen Hörbüchern bis hin zu lokalisierten E-Learning-Modulen. Anwendungsfälle wie Produkt-Tutorials, Marketingvideos oder Creator-Inhalte erfordern zudem oft mehrere Sprachinteraktionen und zuverlässige technische Aussprachen.
Um diese Anforderungen zu erfüllen, veröffentlichen wir Updates sowohl für Gemini 2.5 Flash TTS Preview (optimiert für niedrige Latenz) als auch für Gemini 2.5 Pro TTS Preview (optimiert für Qualität).
Verbesserte Stil- und Tonvielfalt
Ob du nun eine Spielfigur für ein Rollenspiel, einen hilfreichen virtuellen Assistenten oder einen dramatischen Erzähler entwickelst – die Stimme muss zur Rolle passen. Unsere Gemini-TTS-Modelle sind jetzt deutlich ausdrucksstärker und richten sich viel genauer nach den spezifischen Anweisungen in deinem Stil-Prompt, was die Rollentreue erheblich verbessert. Du kannst einen bestimmten Ton anfordern – von „fröhlich und optimistisch“ bis „düster und ernst“ – und das Modell liefert eine Darbietung, die sich authentisch anfühlt.
Erkunde die Bandbreite der Stile des Gemini 2.5 TTS-Modells in Aktion in unserer Synergy Intro Demo-App.
Kontextabhängige Temposteuerung
Für natürliche Sprechmuster ist das Tempo entscheidend: Ein Witz braucht Timing, eine komplexe Erklärung braucht Raum zum Atmen, und eine Actionszene braucht Geschwindigkeit. Wir haben die Fähigkeit des Modells verfeinert, das Tempo basierend auf dem Kontext der Nachricht anzupassen, sodass es natürlich langsamer wird, um etwas zu betonen, oder schneller, um Aufregung zu vermitteln. Darüber hinaus haben wir die Temposteuerung verbessert, sodass das Modell deine expliziten geschwindigkeitsbezogenen Anweisungen jetzt mit viel höherer Genauigkeit befolgt.
Höre, wie das Modell sein Tempo entsprechend den Anweisungen anpasst:
„Stil: Du bist ein Geschichtenerzähler für einen Kriminalroman. Beginne mit einem nervösen Ton, der sich zu Aufregung und Erleichterung steigert.“
Text: „Ich versuchte, die Tür langsam aufzuschließen. Ich fummelte nervös herum … Nichts … tief durchatmend versuchte ich es ein zweites Mal. Klick, ich kam rein! Ich kann es nicht fassen, ich bin tatsächlich reingekommen!“
Verbesserte Fähigkeiten für mehrere Sprecher
Für Anwendungsfälle wie Podcasts, simulierte Interviews oder Erzählungen mit mehreren Charakteren ist es entscheidend, realistische Dialoge mit unterschiedlichen Identitäten zu schaffen. Wir haben die Modelle verfeinert, um konsistente Charakterstimmen beizubehalten und die „Übergabe“ zwischen Sprechern bei Hin-und-Her-Wechseln natürlicher zu gestalten.
Wir haben auch die mehrsprachigen Fähigkeiten unseres Modells verbessert, sodass es den einzigartigen Ton, die Tonhöhe und den Stil jedes Charakters während des gesamten Gesprächs in allen 24 unterstützten Sprachen beibehalten kann.
Erkunde die Mehrsprecher- und Mehrsprachigkeitsfähigkeiten des Modells in unserer Voices from History Demo-App.
Was Kunden sagen
Partner sehen bereits die Auswirkungen dieser Verbesserungen in der Produktion.
Wondercraft, eine KI-Audio-Plattform, nutzt Gemini TTS, um zwei ihrer wichtigsten Funktionen zu entwickeln: den Convo Mode, mit dem jeder lebensechte Gespräche mit mehreren Sprechern und Kontrolle über Tempo und Vortrag erstellen kann, und den Director Mode, der präzise Kontrolle über Aussprache, Intonation und nonverbale Signale bietet und Bearbeitungen mühelos macht.
„Gemini TTS war der Schlüssel, um Wondercraft von Demos zu echten Produktionsanwendungen zu führen. Kunden wollten schon immer natürlichere Sprache, und herkömmliche TTS-Engines wurden dem nicht gerecht. Seit der Einführung von Gemini TTS sind die Abonnements um 20 Prozent gestiegen, die Abwanderung im ersten Monat ist um 20 Prozent gesunken und unsere Kosten sind um 20 Prozent gefallen.“
Youssef Rizk, Gründer @ Wondercraft
Toonsutra erweckt seine Geschichten mit filmischen Sprachaufnahmen für Charaktere und Werbevideospots zum Leben und verlässt sich dabei auf Gemini TTS für seine Fähigkeit, verschiedene Sprachen und Charakternuancen zu bewältigen.
„Wir generieren Audio für Charaktere basierend auf ihrem Kontext innerhalb eines Comic-Panels und der gesamten Geschichte. Dazu gehört die Anpassung von Tonhöhe, Tonfall und Akzent für jeden Charakter, um das Erlebnis so immersiv wie möglich zu gestalten. Derzeit machen wir das für sowohl englische als auch hindi Comics, bei denen wir festgestellt haben, dass die Konsistenz und Qualität des Charaktertons außergewöhnlich sind.“
Vishal Anand, CEO @ Toonsutra
Jetzt loslegen
Die Gemini 2.5 Flash und 2.5 Pro TTS Modelle sind über die Gemini API in Google AI Studio verfügbar. Lies unsere Entwicklerdokumentation, erkunde den Prompting-Guide oder schau dir das Gemini API Cookbook an, um loszulegen.
