Hoje, anunciamos melhorias significativas em nossos modelos de preview de Texto-para-Fala (TTS) Gemini 2.5 Flash e Gemini 2.5 Pro.
As principais melhorias incluem:
- Expressividade aprimorada: Maior versatilidade de tom e obediência mais rigorosa aos prompts de estilo.
- Ritmo preciso: Ajustes de velocidade mais inteligentes, sensíveis ao contexto, e melhor seguimento de instruções.
- Diálogo fluido: Vozes de personagens consistentes em cenários com múltiplos falantes.
Esses modelos substituirão nossos modelos TTS lançados em maio. Você pode começar a codificar apps de forma experimental no Google AI Studio e explorar as capacidades dos modelos hoje mesmo no Playground.
Novos modelos TTS Flash e Pro
Muitos desenvolvedores dependem de texto-para-fala para gerar conteúdo de alta fidelidade que exige controle granular sobre estilo, tom, ritmo e sotaques — desde audiolivros longos até módulos de e-learning localizados. Casos de uso como tutoriais de produtos, vídeos de marketing ou conteúdo de criadores também frequentemente exigem interações com múltiplas vozes e pronúncias técnicas confiáveis.
Para atender a essas necessidades, estamos lançando atualizações tanto para o preview do Gemini 2.5 Flash TTS (otimizado para baixa latência) quanto para o preview do Gemini 2.5 Pro TTS (otimizado para qualidade).
Versatilidade aprimorada de estilo e tom
Esteja você criando um personagem de RPG, um assistente virtual útil ou um narrador dramático, a voz precisa se adequar ao papel. Nossos modelos Gemini TTS são agora muito mais expressivos e se alinham muito mais de perto com instruções específicas fornecidas no seu prompt de estilo, melhorando drasticamente a aderência ao papel. Você pode solicitar um tom específico — de "alegre e otimista" a "sombrio e sério" — e o modelo entregará uma performance que soa autêntica a essa instrução.
Explore a gama de estilos do modelo Gemini 2.5 TTS em ação em nosso aplicativo de demonstração Synergy Intro.
Controle de ritmo sensível ao contexto
Para criar padrões de fala naturais, o ritmo é um elemento crítico: uma piada precisa de timing, uma explicação complexa precisa de espaço para respirar e uma sequência de ação precisa de velocidade. Refinamos a capacidade do modelo de ajustar o ritmo com base no contexto da mensagem, permitindo que ele desacelere naturalmente para dar ênfase ou acelere para expressar empolgação. Além disso, melhoramos o controle de ritmo, o que significa que o modelo agora segue suas instruções explícitas relacionadas ao ritmo com muito mais fidelidade.
Ouça como o modelo ajusta seu ritmo de acordo com as instruções:
"Estilo: Você é um contador de histórias para um romance de mistério. Comece com um tom nervoso que acelera para empolgação e alívio"
"Texto: 'Tentei destrancar a porta devagar. Fiquei mexendo nervosamente… Nada... respirando fundo, tentei uma segunda vez. Clique, consegui entrar! Não acredito, realmente consegui entrar!'"
Capacidades aprimoradas para múltiplos falantes
Para casos de uso como podcasts, entrevistas simuladas ou narrativas com múltiplos personagens, criar um diálogo realista com identidades distintas é fundamental. Refinamos os modelos para manter vozes de personagens consistentes e lidar com a "transição" entre falantes de forma mais natural durante as trocas de turno.
Também melhoramos as capacidades multilíngues do nosso modelo, para que ele possa preservar o tom, o tom de voz e o estilo únicos de cada personagem ao longo da conversa em todos os 24 idiomas suportados.
Explore as capacidades multilíngues e de múltiplos falantes do modelo em nosso aplicativo de demonstração Voices from History.
O que os clientes estão dizendo
Os parceiros já estão vendo o impacto dessas melhorias em produção.
A Wondercraft, uma plataforma de áudio com IA, usa o Gemini TTS para construir dois de seus recursos mais importantes: o Modo Convo, que permite que qualquer pessoa crie conversas realistas com vários falantes e controle sobre ritmo e entrega, e o Modo Diretor, que oferece controle preciso sobre pronúncias, entonação e dicas não verbais, tornando as edições muito fáceis.
"O Gemini TTS foi a chave para levar a Wondercraft de demonstrações para casos de uso reais de produção. Os clientes sempre quiseram uma fala mais natural, e os mecanismos TTS tradicionais ficaram aquém. Desde a adoção do Gemini TTS, as assinaturas aumentaram 20%, a rotatividade no primeiro mês caiu 20% e nossos custos também caíram 20%."
Youssef Rizk, Fundador @ Wondercraft
A Toonsutra dá vida às suas histórias com narrações cinematográficas para personagens e anúncios em vídeo promocionais, contando com o Gemini TTS por sua capacidade de lidar com diversos idiomas e nuances de personagens.
"Geramos áudio para personagens com base em seu contexto dentro de um quadrinho e na história geral. Isso inclui adaptar o tom, a altura e o sotaque para cada personagem, tornando a experiência o mais imersiva possível. Atualmente, fazemos isso tanto para histórias em quadrinhos em inglês quanto em hindi, onde descobrimos que a consistência e a qualidade do tom dos personagens são excepcionais."
Vishal Anand, CEO @ Toonsutra
Comece hoje mesmo
Os modelos TTS Gemini 2.5 Flash e 2.5 Pro estão disponíveis via API Gemini no Google AI Studio. Leia nossa documentação para desenvolvedores, explore o guia de prompts ou confira o Cookbook da API Gemini para começar.
