วันนี้ เราขอประกาศการปรับปรุงครั้งสำคัญสำหรับโมเดล Text-to-Speech (TTS) ตัวอย่าง Gemini 2.5 Flash และ Gemini 2.5 Pro ของเรา
การปรับปรุงหลัก ได้แก่:
- การแสดงออกที่ดียิ่งขึ้น: ความหลากหลายของน้ำเสียงที่สมบูรณ์ขึ้น และการปฏิบัติตามคำแนะนำสไตล์ที่เคร่งครัดยิ่งขึ้น
- การควบคุมจังหวะที่แม่นยำ: การปรับความเร็วตามบริบทที่ชาญฉลาดขึ้น และการทำตามคำสั่งที่ดีขึ้น
- บทสนทนาที่ราบรื่น: เสียงตัวละครที่สม่ำเสมอในสถานการณ์ที่มีผู้พูดหลายคน
โมเดลเหล่านี้จะแทนที่โมเดล TTS ที่เราปล่อยในเดือนพฤษภาคม คุณสามารถเริ่มสร้างแอปด้วยการ Vibe Coding ใน Google AI Studio และสำรวจความสามารถของโมเดลได้แล้ววันนี้ที่ Playground
โมเดล TTS Flash และ Pro ใหม่
นักพัฒนาหลายคนพึ่งพา text-to-speech ในการสร้างเนื้อหาคุณภาพสูงที่ต้องการการควบคุมสไตล์ น้ำเสียง จังหวะ และสำเนียงอย่างละเอียด ตั้งแต่หนังสือเสียงแบบยาวไปจนถึงโมดูล e-learning ที่ปรับให้เข้ากับท้องถิ่น กรณีการใช้งานเช่น บทช่วยสอนผลิตภัณฑ์ วิดีโอการตลาด หรือเนื้อหาของครีเอเตอร์มักต้องการการโต้ตอบด้วยเสียงหลายเสียงและการออกเสียงทางเทคนิคที่เชื่อถือได้
เพื่อตอบสนองความต้องการเหล่านี้ เรากำลังเปิดตัวการอัปเดตสำหรับทั้ง Gemini 2.5 Flash TTS preview (ปรับให้เหมาะกับความหน่วงต่ำ) และ Gemini 2.5 Pro TTS preview (ปรับให้เหมาะกับคุณภาพ)
ความหลากหลายของสไตล์และน้ำเสียงที่ได้รับการปรับปรุง
ไม่ว่าคุณกำลังสร้างตัวละครในเกม RPG ผู้ช่วยเสมือนที่เป็นประโยชน์ หรือผู้บรรยายที่มีอารมณ์ เสียงจะต้องเข้ากับบทบาทนั้น โมเดล Gemini TTS ของเรามีการแสดงออกที่มากขึ้นและสอดคล้องกับคำแนะนำเฉพาะที่ให้ไว้ในพรอมต์สไตล์ของคุณอย่างใกล้ชิดยิ่งขึ้น ช่วยปรับปรุงการยึดมั่นในบทบาทอย่างมาก คุณสามารถขอโทนเสียงที่เฉพาะเจาะจง ตั้งแต่ 'ร่าเริงและมองโลกในแง่ดี' ไปจนถึง 'หม่นหมองและจริงจัง' และโมเดลจะส่งมอบประสิทธิภาพที่ให้ความรู้สึกสมจริงตามคำแนะนำนั้น
สำรวจช่วงสไตล์ของโมเดล Gemini 2.5 TTS ในการทำงานได้ใน แอปสาธิต Synergy Intro ของเรา
การควบคุมจังหวะตามบริบท
ในการสร้างรูปแบบการพูดที่เป็นธรรมชาติ จังหวะเป็นองค์ประกอบสำคัญ: เรื่องตลกต้องการจังหวะที่เหมาะสม คำอธิบายที่ซับซ้อนต้องการพื้นที่ให้หายใจ และลำดับแอ็กชันต้องการความเร็ว เราได้ปรับปรุงความสามารถของโมเดลในการปรับจังหวะตามบริบทของข้อความ ทำให้สามารถช้าลงตามธรรมชาติเพื่อเน้นความสำคัญ หรือเร็วขึ้นเพื่อความตื่นเต้น นอกจากนี้ เรายังปรับปรุงการควบคุมจังหวะ ซึ่งหมายความว่าโมเดลจะทำตามคำแนะนำที่เกี่ยวข้องกับจังหวะของคุณอย่างชัดเจนด้วยความเที่ยงตรงที่สูงขึ้น
ฟังว่าโมเดลปรับจังหวะตามคำแนะนำอย่างไร:
"สไตล์: คุณเป็นนักเล่าเรื่องสำหรับนวนิยายสืบสวน เริ่มต้นด้วยน้ำเสียงประหม่าแล้วเร่งความเร็วเป็นความตื่นเต้นและโล่งใจ"
"ข้อความ: ฉันลองเปิดประตูช้าๆ ฉันคลำไปมาอย่างประหม่า... ไม่มีอะไร... หายใจเข้าลึกๆ ฉันลองอีกครั้ง คลิก ฉันเข้าไปได้! ฉันไม่อยากเชื่อเลย ฉันเข้าไปได้จริงๆ!"
ความสามารถหลายผู้พูดที่ได้รับการปรับปรุง
สำหรับกรณีการใช้งานเช่นพอดแคสต์ บทสัมภาษณ์จำลอง หรือเรื่องเล่าหลายตัวละคร การสร้างบทสนทนาที่สมจริงพร้อมเอกลักษณ์ที่แตกต่างเป็นสิ่งสำคัญ เราได้ปรับแต่งโมเดลให้คงเสียงตัวละครที่สม่ำเสมอและจัดการ 'การส่งต่อ' ระหว่างผู้พูดได้อย่างเป็นธรรมชาติมากขึ้นในการแลกเปลี่ยนไปมา
เรายังปรับปรุงความสามารถหลายภาษาของโมเดลของเรา เพื่อให้สามารถรักษาน้ำเสียง ระดับเสียง และสไตล์ที่เป็นเอกลักษณ์ของแต่ละตัวละครตลอดการสนทนาใน 24 ภาษาที่รองรับ ทั้งหมด
สำรวจความสามารถหลายผู้พูดและหลายภาษาของโมเดลใน แอปสาธิต Voices from History ของเรา
สิ่งที่ลูกค้ากล่าวถึง
พาร์ทเนอร์เห็นผลกระทบของการปรับปรุงเหล่านี้ในการผลิตแล้ว
Wondercraft แพลตฟอร์มเสียง AI ใช้ Gemini TTS เพื่อสร้างสองฟีเจอร์ที่สำคัญที่สุดของพวกเขา: Convo Mode ที่ช่วยให้ทุกคนสร้างบทสนทนาหลายผู้พูดที่สมจริงพร้อมการควบคุมจังหวะและการนำเสนอ และ Director Mode ที่ให้การควบคุมการออกเสียง น้ำเสียง และสัญญาณที่ไม่ใช่คำพูดอย่างแม่นยำ ทำให้การแก้ไขรู้สึกง่ายดาย
"Gemini TTS เป็นกุญแจสำคัญที่ทำให้ Wondercraft ก้าวจากเดโมไปสู่กรณีการใช้งานจริง ลูกค้าต้องการเสียงที่เป็นธรรมชาติมากขึ้นมาโดยตลอด และเครื่องยนต์ TTS แบบเดิมก็ไม่สามารถตอบสนองได้ ตั้งแต่ที่เรานำ Gemini TTS มาใช้ สมัครสมาชิกเพิ่มขึ้น 20 เปอร์เซ็นต์ อัตราการยกเลิกในเดือนแรกลดลง 20 เปอร์เซ็นต์ และต้นทุนของเราลดลง 20 เปอร์เซ็นต์"
Youssef Rizk, Founder @ Wondercraft
Toonsutra ทำให้เรื่องราวของพวกเขามีชีวิตชีวาด้วยเสียงพากย์แบบภาพยนตร์สำหรับตัวละครและโฆษณาวิดีโอโปรโมท โดยพึ่งพา Gemini TTS สำหรับความสามารถในการจัดการภาษาที่หลากหลายและความแตกต่างของตัวละคร
"เราสร้างเสียงสำหรับตัวละครตามบริบทภายในแผงการ์ตูนและเรื่องราวโดยรวม ซึ่งรวมถึงการปรับระดับเสียง น้ำเสียง และสำเนียงสำหรับตัวละครแต่ละตัวเพื่อทำให้ประสบการณ์สมจริงมากที่สุด ขณะนี้ เรากำลังทำสิ่งนี้สำหรับการ์ตูนทั้งภาษาอังกฤษและภาษาฮินดี ซึ่งเราพบว่าความสม่ำเสมอของน้ำเสียงตัวละครและคุณภาพนั้นยอดเยี่ยม"
Vishal Anand, CEO @ Toonsutra
เริ่มต้นวันนี้
โมเดล Gemini 2.5 Flash และ 2.5 Pro TTS พร้อมใช้งานผ่าน Gemini API ใน Google AI Studio อ่านเอกสารสำหรับนักพัฒนา ของเรา สำรวจคู่มือการสร้างพรอมต์ หรือดูตำราอาหาร Gemini API เพื่อเริ่มต้น
