The Pulse

Google lancia Gemini 3.8 Flash TTS per creare voci personalizzate

Google rilascia Gemini 3.8 Flash TTS e Flash-Lite TTS, che offrono la progettazione di voci personalizzate, controlli sull’interpretazione battuta per battuta, la messa in scena di dialoghi e watermarking integrato.

AI.info Team · Scritto con l’IA · verificato · 2026-09-23

Google porta la progettazione delle voci in Gemini

Google rilascia due modelli text-to-speech che consentono agli utenti di progettare voci, dirigere le interpretazioni battuta per battuta e generare scene di dialogo a partire da un unico copione. Gemini 3.8 Flash TTS punta a offrire un controllo creativo dettagliato, mentre Gemini 3.8 Flash-Lite TTS è pensato per usi su scala più ampia, come il doppiaggio, la produzione audio e gli agenti vocali.

La distribuzione dei modelli inizia il 23 settembre 2026 attraverso la Gemini API e Google AI Studio. Gemini 3.8 Flash TTS arriverà anche su Gemini Enterprise ed è disponibile in Gemini Notebook, mentre la versione Flash-Lite è in fase di distribuzione agli utenti generici di Google Vids.

Google descrive i due modelli come i suoi modelli di generazione audio più espressivi finora. Supportano oltre 100 lingue e dialetti, con controlli per accenti, ritmo, emozioni, manierismi vocali e tempi della conversazione.

«Oggi presentiamo due nuovi modelli text-to-speech della famiglia Gemini, trasformando la generazione vocale da una serie di impostazioni predefinite statiche a uno studio creativo dinamico.»
— Leland Rechis, Group Product Manager, e Alan Cowen, direttore della ricerca scientifica, a nome del Gemini Audio Team di Google

Dalle voci predefinite ai personaggi generati

Gemini 3.8 Flash TTS può creare una voce a partire da una descrizione in linguaggio naturale, senza richiedere agli sviluppatori di sceglierla da un catalogo fisso. Gli utenti possono specificare il ruolo, l’accento e le qualità vocali di un personaggio, per poi salvare il profilo ottenuto e usarlo in un progetto.

Il modello dà accesso a oltre 2.000 voci pronte per la produzione e supporta varietà regionali tra cui lo spagnolo messicano, il francese del Québec e l’inglese scozzese. L’azienda propone il sistema anche per la creazione di personaggi originali in giochi, audiolibri immersivi, podcast e media interattivi.

È possibile replicare una voce a partire da un campione audio di 30 secondi, a condizione che l’utente abbia il permesso di usare la voce originale. Il processo comprende la verifica del consenso, il watermarking SynthID e le credenziali C2PA. La replica vocale tramite AI Studio non è disponibile in Illinois, Texas, Spazio economico europeo, Regno Unito, Svizzera o India.

Direzione battuta per battuta e scene a due voci

Entrambi i modelli accettano istruzioni sull’interpretazione insieme al copione. Chi crea il contenuto può specificare una dizione calma, una battuta sussurrata, un cambiamento nell’intensità emotiva o una pronuncia regionale per singoli passaggi, invece di applicare uno stesso stile a un’intera registrazione.

I modelli supportano anche segnali non verbali e risposte di ascolto durante la conversazione. Tra gli esempi figurano risate, sospiri, esclamazioni di sorpresa e brevi risposte di ascolto attivo come «mhm» e «sì». Gemini 3.8 Flash TTS può mettere in scena conversazioni tra due persone a partire da un unico copione, mantenendo distinte le voci e gestendo l’alternanza dei turni di parola.

Un altro obiettivo è la generazione di contenuti di lunga durata. Secondo Google, i modelli mantengono qualità della voce, ritmo e timbro dei personaggi per ore di audio, con variazioni limitate delle voci: una capacità pensata per audiolibri, podcast e altre registrazioni lunghe.

I risultati su Hume e Voice Arena

Secondo Google, Gemini 3.8 Flash TTS è al primo posto nel Voice Design Benchmark di Hume AI con un punteggio di 71,4 e guida la sua valutazione della modellazione degli accenti con un punteggio di 60,8. Sempre secondo l’azienda, Flash TTS e Flash-Lite TTS occupano rispettivamente il primo e il secondo posto nell’Overall Quality Index di Hume AI.

Google riferisce che i modelli occupano le prime posizioni nelle valutazioni delle preferenze umane condotte alla cieca da Voice Arena per giapponese, portoghese brasiliano, vietnamita, arabo standard moderno, spagnolo messicano e hindi. Si tratta di risultati di benchmark riferiti dall’azienda, non di una valutazione indipendente inclusa nell’annuncio.

Il watermarking è integrato in ogni clip generata

Ogni clip audio prodotta dai modelli Gemini Audio di Google contiene un watermark SynthID impercettibile. Il watermark è progettato per aiutare a identificare il parlato generato dall’IA, mentre le credenziali C2PA vengono usate nella replica vocale per fornire ulteriori informazioni sull’origine del contenuto.

Gli sviluppatori possono iniziare a testare i modelli in Google AI Studio e tramite la Gemini API. Tra le piattaforme che usano l’API figurano Agora, LiveKit, Pipecat e Vercel, mentre tra le aziende che stanno integrando i nuovi sistemi TTS ci sono Figma, HeyGen, Linguana, Wondercraft, 99.co e Ollang.