Aujourd'hui, nous annonçons des améliorations significatives de nos modèles de synthèse vocale (TTS) en aperçu Gemini 2.5 Flash et Gemini 2.5 Pro.
Les principales améliorations incluent :
- Expressivité renforcée : une plus grande variété de tons et un respect plus strict des consignes de style.
- Rythme précis : des ajustements de vitesse plus intelligents, adaptés au contexte, et une meilleure exécution des instructions.
- Dialogues fluides : des voix de personnages cohérentes dans les scénarios à plusieurs intervenants.
Ces modèles remplaceront nos modèles TTS publiés en mai. Vous pouvez dès à présent créer des applications en mode "vibe coding" dans Google AI Studio et explorer les capacités des modèles dans le Playground.
Nouveaux modèles TTS Flash et Pro
De nombreux développeurs s'appuient sur la synthèse vocale pour générer du contenu haute fidélité nécessitant un contrôle précis du style, du ton, du rythme et des accents – des livres audio longs aux modules d'apprentissage localisés. Les cas d'usage comme les tutoriels produits, les vidéos marketing ou les contenus de créateurs exigent également souvent des interactions à plusieurs voix et des prononciations techniques fiables.
Pour répondre à ces besoins, nous lançons des mises à jour des aperçus Gemini 2.5 Flash TTS (optimisé pour une faible latence) et Gemini 2.5 Pro TTS (optimisé pour la qualité).
Polyvalence accrue du style et du ton
Que vous construisiez un personnage de jeu de rôle, un assistant virtuel serviable ou un narrateur dramatique, la voix doit correspondre au rôle. Nos modèles Gemini TTS sont désormais bien plus expressifs et se conforment beaucoup plus fidèlement aux instructions spécifiques fournies dans votre consigne de style, améliorant considérablement l'adhérence au rôle. Vous pouvez demander un ton spécifique – de « joyeux et optimiste » à « sombre et sérieux » – et le modèle produira une performance qui semble authentique par rapport à cette instruction.
Découvrez l'éventail de styles du modèle Gemini 2.5 TTS en action dans notre application de démonstration Synergy Intro.
Contrôle du rythme adapté au contexte
Pour créer des schémas d'élocution naturels, le rythme est un élément essentiel : une blague a besoin de timing, une explication complexe de temps pour respirer, et une séquence d'action de rapidité. Nous avons affiné la capacité du modèle à ajuster le rythme en fonction du contexte du message, lui permettant de ralentir naturellement pour insister ou d'accélérer pour exprimer l'excitation. De plus, nous avons amélioré le contrôle du rythme, de sorte que le modèle suit désormais vos instructions explicites en matière de rythme avec une bien meilleure fidélité.
Écoutez comment le modèle ajuste son rythme en fonction des instructions :
"Style : Vous êtes un conteur pour un roman policier. Commencez par un ton nerveux qui accélère vers l'excitation et le soulagement"
Texte : "J'ai essayé d'ouvrir la porte lentement. J'ai tâtonné nerveusement… Rien… En respirant profondément, j'ai essayé une deuxième fois. Clic, je suis entré ! Je n'arrive pas à y croire, je suis vraiment entré !"
Meilleures capacités multi-intervenants
Pour des cas d'usage comme les podcasts, les entretiens simulés ou les récits à plusieurs personnages, créer un dialogue réaliste avec des identités distinctes est essentiel. Nous avons affiné les modèles pour maintenir des voix de personnages cohérentes et gérer le « passage de relais » entre les intervenants de manière plus naturelle lors des échanges.
Nous avons également amélioré les capacités multilingues de notre modèle, afin qu'il puisse préserver le ton, la hauteur et le style uniques de chaque personnage tout au long de la conversation dans les 24 langues prises en charge.
Explorez les capacités multi-intervenants et multilingues du modèle dans notre application de démonstration Voix de l'Histoire.
Ce que disent nos clients
Des partenaires constatent déjà l'impact de ces améliorations en production.
Wondercraft, une plateforme audio basée sur l'IA, utilise Gemini TTS pour développer deux de ses fonctionnalités les plus importantes : le mode Convo, qui permet à chacun de créer des conversations réalistes à plusieurs intervenants avec un contrôle du rythme et du débit, et le mode Director, qui offre un contrôle précis des prononciations, de l'intonation et des indices non verbaux, rendant les modifications fluides.
« Gemini TTS a été la clé pour faire passer Wondercraft des démos à des cas d'usage réels en production. Les clients ont toujours voulu une parole plus naturelle, et les moteurs TTS traditionnels n'étaient pas à la hauteur. Depuis l'adoption de Gemini TTS, les abonnements ont augmenté de 20 %, le taux d'attrition au cours du premier mois a baissé de 20 %, et nos coûts ont chuté de 20 %. »
Youssef Rizk, Fondateur @ Wondercraft
Toonsutra donne vie à ses histoires avec des voix off cinématographiques pour les personnages et des publicités vidéo promotionnelles, en s'appuyant sur Gemini TTS pour sa capacité à gérer diverses langues et nuances de personnages.
« Nous générons de l'audio pour les personnages en fonction de leur contexte dans une case de bande dessinée et de l'histoire globale. Cela inclut l'adaptation de la hauteur, du ton et de l'accent de chaque personnage pour rendre l'expérience aussi immersive que possible. Actuellement, nous le faisons pour des bandes dessinées en anglais et en hindi, et nous avons constaté que la cohérence du ton des personnages et la qualité sont exceptionnelles. »
Vishal Anand, PDG @ Toonsutra
Commencez dès aujourd'hui
Les modèles Gemini 2.5 Flash et 2.5 Pro TTS sont disponibles via l'API Gemini dans Google AI Studio. Consultez notre documentation développeur, explorez le guide de rédaction de consignes ou découvrez le Gemini API Cookbook pour commencer.
