आज, हम अपने Gemini 2.5 Flash और Gemini 2.5 Pro टेक्स्ट-टू-स्पीच (TTS) प्रीव्यू मॉडल में महत्वपूर्ण सुधारों की घोषणा कर रहे हैं।
प्रमुख सुधारों में शामिल हैं:
- बेहतर अभिव्यक्ति: अधिक समृद्ध टोन विविधता और स्टाइल प्रॉम्प्ट का सख्ती से पालन।
- सटीक गति: संदर्भ-जागरूक गति समायोजन और बेहतर निर्देशों का पालन।
- सहज संवाद: मल्टी-स्पीकर परिदृश्यों में एकसमान कैरेक्टर आवाज़ें।
ये मॉडल मई में जारी हमारे TTS मॉडलों की जगह लेंगे। आप Google AI Studio में ऐप्स को वाइब कोड करना शुरू कर सकते हैं और आज ही Playground में मॉडल क्षमताओं का पता लगा सकते हैं।
नए TTS Flash और Pro मॉडल
कई डेवलपर्स लंबे-फॉर्म ऑडियोबुक से लेकर स्थानीयकृत ई-लर्निंग मॉड्यूल तक, ऐसी उच्च-गुणवत्ता वाली सामग्री तैयार करने के लिए टेक्स्ट-टू-स्पीच पर भरोसा करते हैं, जिसमें स्टाइल, टोन, गति और उच्चारण पर बारीक नियंत्रण की आवश्यकता होती है। उत्पाद ट्यूटोरियल, मार्केटिंग वीडियो या क्रिएटर कंटेंट जैसे उपयोग के मामलों में भी अक्सर कई वॉयस इंटरैक्शन और विश्वसनीय तकनीकी उच्चारणों की आवश्यकता होती है।
इन आवश्यकताओं को पूरा करने के लिए, हम Gemini 2.5 Flash TTS प्रीव्यू (कम विलंबता के लिए अनुकूलित) और Gemini 2.5 Pro TTS प्रीव्यू (गुणवत्ता के लिए अनुकूलित) दोनों के लिए अपडेट लॉन्च कर रहे हैं।
उन्नत स्टाइल और टोन विविधता
चाहे आप कोई रोल-प्लेइंग गेम कैरेक्टर, कोई सहायक वर्चुअल असिस्टेंट, या कोई नाटकीय कथावाचक बना रहे हों, आवाज को भूमिका के अनुरूप होना चाहिए। हमारे Gemini TTS मॉडल अब कहीं अधिक अभिव्यंजक हैं और आपके स्टाइल प्रॉम्प्ट में दिए गए विशिष्ट निर्देशों के साथ बहुत अधिक निकटता से मेल खाते हैं, जिससे भूमिका निर्वाह में नाटकीय रूप से सुधार होता है। आप एक विशिष्ट टोन का अनुरोध कर सकते हैं—"खुशमिजाज और आशावादी" से लेकर "उदास और गंभीर" तक—और मॉडल ऐसा प्रदर्शन देगा जो उस निर्देश के प्रति प्रामाणिक लगे।
Gemini 2.5 TTS मॉडल की कार्रवाई में स्टाइल की रेंज देखने के लिए हमारे Synergy Intro डेमो ऐप पर जाएँ।
संदर्भ-जागरूक गति नियंत्रण
प्राकृतिक बोलने के पैटर्न बनाने के लिए, गति एक महत्वपूर्ण तत्व है: एक मजाक को टाइमिंग की आवश्यकता होती है, एक जटिल व्याख्या को सांस लेने के लिए जगह चाहिए, और एक एक्शन सीक्वेंस को गति की आवश्यकता होती है। हमने संदेश के संदर्भ के आधार पर गति को समायोजित करने की मॉडल की क्षमता को परिष्कृत किया है, जिससे यह जोर देने के लिए स्वाभाविक रूप से धीमा हो सकता है या उत्साह के लिए तेज हो सकता है। इसके अलावा, हमने गति नियंत्रण में सुधार किया है, जिसका अर्थ है कि मॉडल अब आपके स्पष्ट गति-संबंधी निर्देशों का बहुत अधिक सटीकता से पालन करता है।
सुनें कि मॉडल निर्देशों के अनुसार अपनी गति कैसे समायोजित करता है:
"स्टाइल: आप एक रहस्यमय उपन्यास के कहानीकार हैं। एक घबराए हुए स्वर से शुरू करें जो उत्साह और राहत में तेज हो जाता है"
"पाठ: मैंने धीरे-धीरे दरवाजा खोलने की कोशिश की। मैं घबराकर इधर-उधर टटोलता रहा... कुछ नहीं... गहरी सांस लेते हुए, मैंने दूसरी बार कोशिश की। क्लिक, मैं अंदर आ गया! मुझे विश्वास नहीं हो रहा, मैं सच में अंदर आ गया!"
बेहतर मल्टी-स्पीकर क्षमताएँ
पॉडकास्ट, सिम्युलेटेड इंटरव्यू या मल्टी-कैरेक्टर कथाओं जैसे उपयोग के मामलों के लिए, विशिष्ट पहचान वाला यथार्थवादी संवाद बनाना महत्वपूर्ण है। हमने मॉडलों को परिष्कृत किया है ताकि वे लगातार कैरेक्टर आवाज़ें बनाए रखें और आपसी आदान-प्रदान के दौरान स्पीकरों के बीच "हैंडऑफ़" को अधिक स्वाभाविक रूप से संभाल सकें।
हमने अपने मॉडल की मल्टी-लिंगुअल क्षमताओं में भी सुधार किया है, ताकि यह सभी 24 समर्थित भाषाओं में बातचीत के दौरान प्रत्येक कैरेक्टर के अद्वितीय स्वर, पिच और स्टाइल को संरक्षित कर सके।
हमारे Voices from History डेमो ऐप में मॉडल की मल्टी-स्पीकर, मल्टी-लिंगुअल क्षमताओं का अन्वेषण करें।
ग्राहक क्या कह रहे हैं
हमारे पार्टनर पहले से ही प्रोडक्शन में इन सुधारों का प्रभाव देख रहे हैं।
Wondercraft, एक AI ऑडियो प्लेटफॉर्म, अपनी दो सबसे महत्वपूर्ण सुविधाओं को बनाने के लिए Gemini TTS का उपयोग करता है: Convo Mode, जो किसी को भी गति और डिलीवरी पर नियंत्रण के साथ यथार्थवादी मल्टी-स्पीकर वार्तालाप बनाने की अनुमति देता है, और Director Mode, जो उच्चारण, स्वर-उतार-चढ़ाव और गैर-मौखिक संकेतों पर सटीक नियंत्रण प्रदान करता है, जिससे संपादन सहज लगते हैं।
"Gemini TTS Wondercraft को डेमो से वास्तविक प्रोडक्शन उपयोग-मामलों तक ले जाने की कुंजी रहा है। ग्राहक हमेशा अधिक प्राकृतिक भाषण चाहते थे, और पारंपरिक TTS इंजन कम पड़ गए। Gemini TTS को अपनाने के बाद से, सब्सक्रिप्शन में 20 प्रतिशत की वृद्धि हुई है, पहले महीने में ग्राहक छोड़ने की दर 20 प्रतिशत कम हुई है, और हमारी लागत में 20 प्रतिशत की गिरावट आई है।"
यूसुफ रिज्क, संस्थापक @ Wondercraft
Toonsutra अपनी कहानियों को कैरेक्टरों के लिए सिनेमाई वॉयस ओवर और प्रमोशनल वीडियो विज्ञापनों के साथ जीवंत करता है, विविध भाषाओं और कैरेक्टर बारीकियों को संभालने की अपनी क्षमता के लिए Gemini TTS पर भरोसा करता है।
"हम एक कॉमिक पैनल और पूरी कहानी के संदर्भ में कैरेक्टरों के आधार पर उनके लिए ऑडियो तैयार करते हैं। इसमें प्रत्येक कैरेक्टर के लिए पिच, टोन और एक्सेंट को अनुकूलित करना शामिल है ताकि अनुभव को यथासंभव इमर्सिव बनाया जा सके। वर्तमान में, हम यह अंग्रेजी और हिंदी दोनों कॉमिक्स के लिए कर रहे हैं, जहाँ हमने कैरेक्टर टोन की स्थिरता और गुणवत्ता को असाधारण पाया है।"
विशाल आनंद, CEO @ Toonsutra
आज ही शुरू करें
Gemini 2.5 Flash और 2.5 Pro TTS मॉडल Google AI Studio में Gemini API के माध्यम से उपलब्ध हैं। हमारे डेवलपर डॉक्स पढ़ें, प्रॉम्प्टिंग गाइड देखें, या शुरू करने के लिए Gemini API Cookbook देखें।
