Gemini 3.1 Flash TTS ist da: Sprachmodell erlaubt Anpassungen von Stil, Tempo, Tonfall & Akzent

Mit Gemini 3.1 Flash TTS hat Google sein neustes Text-to-Speech-Modell vorgestellt. Die Sprachausgabe lässt sich hierbei zum Erstellen von Audioinhalten präzise durch die Einführung von Audio-Tags steuern.
Googles neuestes Sprachmodell setzt beim Erstellen von Sprache auf Textbasis auf eine verbesserte Sprachqualität. Diese soll besonders natürlich und auch ausdrucksstark sein. Das Modell zeichnet sich darüber hinaus durch native Mehr-Sprecher-Dialoge sowie die Unterstützung von über 70 Sprachen aus. Unterstützt wird eine detaillierte, kreative Steuerung mittels natürlicher Sprache.
Hierfür führt das Modell sogenannte Audio-Tags ein. Jene bieten eine Möglichkeit, um den Stimmstil, das (Sprech-)Tempo sowie auch die Vortragsweise direkt zu beeinflussen respektive diese zu steuern. In einigen Märkten lässt sich hiermit auch der Akzent steuern. Dies erlaubt eine detailgetreue Anpassung, quasi als würde man Regie führen.
Man kann zudem Rahmenbedingungen für den Dialog festlegen. Durch diesen Kontext sollen Charaktere besser „in ihrer Rolle zu bleiben“ und auch über mehrere Dialoge hinweg natürlich aufeinander reagieren. Für jeden Charakter kann man ein einzigartiges Audio-Profil mit (Regie-) Anweisungen, etwa Tempo, Tonfall oder Akzent, festlegen. Mithilfe von Inline-Tags können die Sprecher dann auch von ihrem allgemeinen Setting abweichen und den Ausdruck auch mitten in einem Satz ändern.
Die gesetzten Parameter lassen sich übrigens auch als Gemini-API-Code exportieren. Dies soll projekt- sowie plattformübergreifend eine konsistente, wiedererkennbare Stimme gewährleisten. Gemini erlaubt es bis dato wohl nicht, das Modell mittels Voice-Cloning-Funktion auf eine eigene Stimme zu trainieren, wie es etwa ElevenLabs anbietet.
Gemini 3.1 Flash TTS steht ab heute in verschiedenen Google-Anwendungen oder über Schnittstellen zur Verfügung. Entwickler bekommen in der Vorschau Zugriff über die Gemini-API sowie Google AI Studio. Unternehmen erhalten eine Vorschau über Vertex AI und Workspace-Nutzer können auf das neue Sprachmodell bereits über Google Vids zugreifen. Alle von Gemini 3.1 Flash TTS erzeugten Inhalte sind mit SynthID, Googles unsichtbarem Wasserzeichen für KI-Inhalte, versehen. Auch Bilder oder Videos sind mit diesem versehen und lassen sich damit auch direkt über die Gemini-App als KI-generiert entlarven.
- M5 MAX CHIP – Erlebe bahnbrechende Performance mit einer CPU der nächsten Generation, einer...
- ARBEITSSPEICHER UND SPEICHERPLATZ – Mit bis zu 128 GB gemeinsamen Arbeitsspeicher und bis zu 614 GB/s...
- EINE LEISTUNGSSTARKE PLATTFORM FÜR KI – Apple Chips und alle wichtigen Komponenten, die sie antreiben...
- KLEINER ALLESKÖNNER – Der Mac mini packt unglaubliche Power in ein ultrakompaktes Gehäuse von 12,7 x...
- M5 PRO CHIP – Mit einer CPU der nächsten Generation und schnellerem gemeinsamen Arbeitsspeicher bringt...
- VERBINDE ALLES – Mit drei Thunderbolt 4 Anschlüssen, einem HDMI und einem 2,5 Gbit Ethernet Anschluss...
- KLEINER ALLESKÖNNER – Der Mac mini ist ein Desktop-Computer mit unglaublicher Power auf kleinstem...
- M6 CHIP – Mit dem M6 Chip und seiner CPU der nächsten Generation fühlt sich alles, was du auf dem Mac...
- VERBINDE ALLES – Mit drei Thunderbolt 4 Anschlüssen, einem HDMI und einem 2,5 Gbit Ethernet Anschluss...
Hinweis: Dieser Artikel enthält Affiliate-Links. Kauft ihr darüber ein, erhalten wir eine kleine Provision - ohne Aufpreis für euch und ohne Einfluss auf unsere redaktionelle Meinung.
Wir freuen uns auf sachliche, konstruktive und gerne humorvolle Beiträge. Da wir hier wie mit real anwesenden Personen umgehen möchten, löschen wir Kommentare, die nur herabwürdigen oder völlig am Thema vorbeigehen. Ein Recht auf Veröffentlichung besteht nicht. Mit dem Absenden stimmst du unserer Datenschutzerklärung und der Speicherung deiner Daten zu.