Компанія Google представила нові можливості генерації аудіо за допомогою моделей Gemini 2.5 під час заходу Google I/O 2025. Технічний гігант з Маунтін-В’ю тепер надає розробникам та користувачам змогу тестувати ці функції на своїй платформі. До двох нових можливостей належать вбудований аудіодіалог та кероване текстове перетворення в мову (TTS) з попереднім переглядом Gemini 2.5 Flash. Перша функція дозволяє генерувати людське аудіо у відповідь на запити користувачів, а друга – перетворювати будь-який текст на розмовну мову. Наразі ці можливості недоступні для розробників через інтерфейси для програмування застосунків (API).
Google демонструє можливості аудіовиводу Gemini 2.5 Flash
У своєму блозі компанія детально описала функції цих двох режимів генерації аудіо, підкреслюючи, як розробники можуть використовувати їх для створення нових вражень для користувачів. Наразі вбудований аудіодіалог можна протестувати у вкладці потоку Google AI Studio, а функцію TTS – у вкладці генерації медіа в AI Studio.
Вбудований аудіодіалог з попереднім переглядом Gemini 2.5 Flash створений для реальних розмов між користувачем та штучним інтелектом. Користувач може надати запит у письмовій формі або усно, на що AI відповідає голосом. Цей процес безпосередньо генерує аудіо, замість того щоб спочатку створювати текст, а потім перетворювати його в мову.
Цей підхід має кілька переваг. Він підтримує емоційний діалог, що означає, що Gemini 2.5 Flash може реагувати на тон голосу користувача та розпізнавати емоції, що стоять за висловленими словами. Система може визначати, коли користувач звучить налякано, сердито чи здивовано, та відповідно реагувати.
Окрім цього, функція генерації аудіо може виражати емоції під час мовлення, використовувати різні акценти та мовні стилі, отримувати доступ до інструментів, таких як Google Search, а також підтримує більше 24 мов.
Щодо кінцевої функції TTS, то вона пропонує генерацію діалогів з кількома мовцями, може втілювати емоції та акценти під час озвучення тексту, контролювати швидкість подачі та акцентувати вимову, а також підтримує ті ж 24 мови з можливістю мовного змішування.
Представники Google зазначили, що ці можливості були оцінені на предмет ризиків протягом всього процесу розробки. Компанія використовувала як внутрішні механізми, так і методи червоного тестування для виявлення та усунення вразливостей. Також підкреслено, що всі аудіо виходи з цих моделей мають вбудовану технологію водяного знака SynthID.
