Gemini Audio
Семейство аудиомоделей Google для озвучки текста, расшифровки записей, живого голосового диалога и перевода речи.
- Без регистрации
- Нет
- Разработчик
- Версия
- 3.8 · с 23 сентября 2026
- Страна
- США
Gemini Audio — семейство речевых моделей Google DeepMind. В него входят модели синтеза речи, расшифровки записей, голосового диалога почти в реальном времени и перевода речи в речь.
Генерация речи позволяет придумать голос по текстовому описанию, воспроизвести голос по короткому образцу и вести сцену с двумя говорящими, управляя стилем, темпом и подачей. Транскрипция работает с десятками языков и отмечает слова временными метками. Живой диалог рассчитан на голосовые интерфейсы и агентов, умеет понимать изображение во время разговора.
Модели доступны разработчикам через Google AI Studio и Gemini API. Весь звук, созданный моделями, помечается водяным знаком SynthID.
Возможности
Дизайн голоса
Голос создаётся по текстовому описанию: персонаж, акцент, возраст, высота и тембр.
Диалог двух голосов
Реплики отделяются от ремарок, и сцена с несколькими героями звучит разными голосами с заданными эмоциями.
Транскрипция
Расшифровка записей более чем на 85 языках с метками времени слов и разметкой до трёх говорящих.
Живой диалог
Модели Live ведут разговор почти в реальном времени и понимают изображение с камеры.
Перевод речи
Речь переводится в речь на более чем 70 языков с сохранением интонации и ритма говорящего.
Клонирование голоса
Из нескольких секунд образца получается цифровой голос для дубляжа и озвучки; процесс требует согласия владельца.
Метка SynthID
Весь звук моделей помечается водяным знаком, по которому можно определить синтетическое происхождение.
Что ещё умеет Gemini Audio
- Генеративный дизайн голоса
Голос с нужным характером, акцентом, возрастом и тембром создаётся по простому текстовому описанию.
- Синхронный перевод речи
Перевод речи в речь почти в реальном времени на более чем 70 языков с сохранением интонации и темпа говорящего.
Кому подойдёт
- Разработчики
Голосовые агенты, озвучка приложений и расшифровка звонков собираются через Gemini API.
- Видеомонтажёры и видеоблогеры
Дубляж и озвучка роликов разными голосами без студии.
- Авторы контента и блогеры
Подкасты и аудиоверсии материалов с управляемой подачей.
- Переводчики
Синхронный перевод речи и расшифровка записей на многих языках.
Как начать
- Открыть Google AI Studio и войти аккаунтом Google.
- Выбрать нужную аудиомодель: синтез речи, транскрипцию, Live или перевод.
- Задать текст или загрузить запись, описать голос и манеру подачи.
- Для встраивания в приложение получить ключ и подключиться через Gemini API.
Тарифы
Модели доступны через Gemini API: есть бесплатный уровень с ограничениями, платное использование считается по токенам.
Ограничения
- Голос по описанию доступен только в старшей модели синтеза речи.
- Клонирование голоса требует согласия владельца голоса.
- Транскрипция различает не более трёх говорящих.
Платформы и интеграции
Семейство
Соседи по смыслу
за последний месяц