Hoje, anunciamos melhorias significativas em nossos modelos de pré-visualização de Text-to-Speech (TTS) Gemini 2.5 Flash e Gemini 2.5 Pro.
As principais melhorias incluem:
- Expressividade aprimorada: Maior versatilidade de tom e adesão 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 vários falantes.
Esses modelos substituirão nossos modelos TTS lançados em maio. Você pode começar a criar aplicativos com vibe coding no Google AI Studio e explorar os recursos do modelo hoje mesmo no Playground.
Novos modelos TTS Flash e Pro
Muitos desenvolvedores usam text-to-speech para gerar conteúdo de alta fidelidade que exige controle granular sobre estilo, tom, ritmo e sotaques — desde audiolivros extensos até módulos de e-learning localizados. Casos de uso como tutoriais de produtos, vídeos de marketing ou conteúdo para criadores também costumam exigir interações com múltiplas vozes e pronúncias técnicas confiáveis.
Para atender a essas necessidades, estamos lançando atualizações tanto no Gemini 2.5 Flash TTS preview (otimizado para baixa latência) quanto no Gemini 2.5 Pro TTS preview (otimizado para qualidade).
Versatilidade aprimorada de estilo e tom
Seja criando um personagem de RPG, um assistente virtual útil ou um narrador dramático, a voz precisa se adequar ao papel. Nossos modelos Gemini TTS agora são muito mais expressivos e se alinham muito melhor com as instruções específicas fornecidas no seu prompt de estilo, melhorando drasticamente a adesão 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 àquela instrução.
Explore a variedade 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 transmitir empolgação. Além disso, melhoramos o controle de ritmo, fazendo com que o modelo siga 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. Mexi nervosamente... Nada... respirando fundo, tentei uma segunda vez. Clique, consegui entrar! Não acredito, realmente consegui entrar!'"
Capacidade aprimorada para vários falantes
Para casos de uso como podcasts, entrevistas simuladas ou narrativas com múltiplos personagens, criar diálogos realistas com identidades distintas é essencial. 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, a entonação e o estilo únicos de cada personagem ao longo da conversa em todos os 24 idiomas compatíveis.
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.
O Wondercraft, uma plataforma de áudio com IA, usa o Gemini TTS para construir dois de seus recursos mais importantes: o Convo Mode, que permite que qualquer pessoa crie conversas realistas com vários falantes, com controle sobre ritmo e entrega; e o Director Mode, que oferece controle preciso sobre pronúncias, entonação e sinais não verbais, tornando as edições muito mais fáceis.
"O Gemini TTS foi a chave para levar o Wondercraft de demonstrações para casos de uso reais de produção. Os clientes sempre quiseram uma fala mais natural, e os mecanismos TTS tradicionais ficavam aquém. Desde que adotamos o Gemini TTS, as assinaturas aumentaram 20%, a rotatividade no primeiro mês caiu 20% e nossos custos caíram 20%."
Youssef Rizk, Fundador @ Wondercraft
O 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 personalizar o tom, a entonação e o sotaque de cada personagem para tornar a experiência o mais imersiva possível. Atualmente, estamos fazendo isso tanto para histórias em quadrinhos em inglês quanto em hindi, onde encontramos consistência e qualidade excepcionais no tom dos personagens."
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 Gemini API Cookbook para começar.
