Hôm nay, chúng tôi công bố những cải tiến đáng kể cho các mô hình xem trước Text-to-Speech (TTS) Gemini 2.5 Flash và Gemini 2.5 Pro của mình.
Những cải tiến chính bao gồm:
- Tăng khả năng biểu cảm: Đa dạng giọng điệu phong phú hơn và tuân thủ chặt chẽ hơn theo hướng dẫn phong cách.
- Kiểm soát nhịp điệu chính xác: Điều chỉnh tốc độ thông minh dựa trên ngữ cảnh và làm theo hướng dẫn tốt hơn.
- Hội thoại liền mạch: Giọng nhân vật nhất quán trong các tình huống nhiều người nói.
Các mô hình này sẽ thay thế các mô hình TTS của chúng tôi phát hành vào tháng 5. Bạn có thể bắt đầu "vibe coding" ứng dụng trong Google AI Studio và khám phá khả năng của mô hình ngay hôm nay trong Playground.
Các mô hình TTS Flash và Pro mới
Nhiều nhà phát triển dựa vào chuyển văn bản thành giọng nói để tạo nội dung chất lượng cao, yêu cầu kiểm soát chi tiết về phong cách, giọng điệu, nhịp độ và giọng địa phương—từ sách nói dài đến các mô-đun học trực tuyến bản địa hóa. Các trường hợp sử dụng như hướng dẫn sản phẩm, video tiếp thị hoặc nội dung sáng tạo cũng thường yêu cầu tương tác với nhiều giọng nói và phát âm kỹ thuật đáng tin cậy.
Để đáp ứng những nhu cầu này, chúng tôi đang ra mắt các bản cập nhật cho cả bản xem trước Gemini 2.5 Flash TTS (tối ưu cho độ trễ thấp) và bản xem trước Gemini 2.5 Pro TTS (tối ưu cho chất lượng).
Khả năng đa dạng phong cách và giọng điệu nâng cao
Dù bạn đang xây dựng một nhân vật game nhập vai, một trợ lý ảo hữu ích, hay một người dẫn chuyện kịch tính, giọng nói cần phải phù hợp với vai trò. Các mô hình Gemini TTS của chúng tôi hiện biểu cảm hơn nhiều và bám sát hơn các hướng dẫn cụ thể trong prompt phong cách của bạn, cải thiện đáng kể việc tuân thủ vai trò. Bạn có thể yêu cầu một giọng điệu cụ thể—từ "vui vẻ và lạc quan" đến "u buồn và nghiêm túc"—và mô hình sẽ mang đến một màn trình diễn cảm thấy chân thực theo hướng dẫn đó.
Khám phá dải phong cách của mô hình Gemini 2.5 TTS đang hoạt động trong ứng dụng demo Synergy Intro của chúng tôi.
Kiểm soát nhịp điệu nhận biết ngữ cảnh
Để tạo ra các mẫu nói tự nhiên, nhịp độ là một yếu tố quan trọng: một câu chuyện cười cần thời gian, một lời giải thích phức tạp cần không gian để thở, và một chuỗi hành động cần tốc độ. Chúng tôi đã tinh chỉnh khả năng của mô hình để điều chỉnh nhịp độ dựa trên ngữ cảnh của tin nhắn, cho phép nó tự nhiên chậm lại để nhấn mạnh hoặc tăng tốc khi phấn khích. Hơn nữa, chúng tôi đã cải thiện khả năng kiểm soát nhịp độ, nghĩa là mô hình hiện làm theo các hướng dẫn liên quan đến tốc độ của bạn với độ trung thực cao hơn nhiều.
Hãy nghe cách mô hình điều chỉnh nhịp độ theo hướng dẫn:
"Style: Bạn là người kể chuyện cho một tiểu thuyết bí ẩn. Bắt đầu với giọng điệu lo lắng, sau đó tăng tốc thành phấn khích và nhẹ nhõm"
"Text: Tôi cố gắng mở cửa một cách chậm rãi. Tôi lúng túng lo lắng… Không có gì… hít thở sâu, tôi thử lần thứ hai. Cạch, tôi đã vào được! Tôi không thể tin được, tôi thực sự đã vào được!"
Khả năng nhiều người nói được cải thiện
Đối với các trường hợp sử dụng như podcast, phỏng vấn mô phỏng hoặc tường thuật nhiều nhân vật, việc tạo ra hội thoại thực tế với các đặc điểm riêng biệt là chìa khóa. Chúng tôi đã tinh chỉnh các mô hình để duy trì giọng nhân vật nhất quán và xử lý "chuyển giao" giữa những người nói một cách tự nhiên hơn trong các trao đổi qua lại.
Chúng tôi cũng đã cải thiện khả năng đa ngôn ngữ của mô hình, để nó có thể giữ được giọng điệu, cao độ và phong cách độc đáo của từng nhân vật trong suốt cuộc trò chuyện qua tất cả 24 ngôn ngữ được hỗ trợ.
Khám phá khả năng nhiều người nói, đa ngôn ngữ của mô hình trong ứng dụng demo Giọng nói từ Lịch sử của chúng tôi.
Khách hàng nói gì
Các đối tác đã thấy tác động của những cải tiến này trong sản xuất.
Wondercraft, một nền tảng âm thanh AI, sử dụng Gemini TTS để xây dựng hai tính năng quan trọng nhất của họ: Convo Mode, cho phép bất kỳ ai tạo ra các cuộc trò chuyện nhiều người nói sống động với khả năng kiểm soát nhịp độ và cách truyền đạt, và Director Mode, cung cấp khả năng kiểm soát chính xác về phát âm, ngữ điệu và tín hiệu phi ngôn ngữ, giúp các chỉnh sửa trở nên dễ dàng.
"Gemini TTS là chìa khóa giúp Wondercraft đi từ các bản demo đến các trường hợp sử dụng sản xuất thực tế. Khách hàng luôn muốn giọng nói tự nhiên hơn, và các công cụ TTS truyền thống không đáp ứng được. Kể từ khi áp dụng Gemini TTS, số lượng đăng ký tăng 20%, tỷ lệ rời bỏ trong tháng đầu giảm 20%, và chi phí của chúng tôi đã giảm 20%."
Youssef Rizk, Nhà sáng lập @ Wondercraft
Toonsutra mang những câu chuyện của họ vào cuộc sống với lồng tiếng điện ảnh cho các nhân vật và video quảng cáo, dựa vào Gemini TTS nhờ khả năng xử lý nhiều ngôn ngữ và sắc thái nhân vật.
"Chúng tôi tạo ra âm thanh cho các nhân vật dựa trên bối cảnh của họ trong một khung truyện tranh và câu chuyện tổng thể. Điều này bao gồm việc điều chỉnh cao độ, giọng điệu và giọng địa phương cho từng nhân vật để trải nghiệm trở nên sống động nhất có thể. Hiện tại, chúng tôi đang thực hiện điều này cho cả truyện tranh tiếng Anh và tiếng Hindi, nơi chúng tôi thấy tính nhất quán về giọng nhân vật và chất lượng thực sự xuất sắc."
Vishal Anand, CEO @ Toonsutra
Bắt đầu ngay hôm nay
Các mô hình Gemini 2.5 Flash và 2.5 Pro TTS có sẵn qua Gemini API trong Google AI Studio. Đọc tài liệu dành cho nhà phát triển của chúng tôi, khám phá hướng dẫn tạo prompt, hoặc xem Gemini API Cookbook để bắt đầu.
