Amélioration des modèles de synthèse vocale Gemini pour des capacités et un contrôle accrus

Des modules d'e-learning traduits aux livres audio longs , de nombreux développeurs utilisent la synthèse vocale pour produire des contenus de haute qualité qui exigent une maîtrise précise du style, du ton, du rythme et des accents. Parmi les cas d'utilisation qui requièrent fréquemment de nombreuses interactions vocales et une prononciation technique exacte , on peut citer les tutoriels produits , les vidéos marketing et les contenus créés par les développeurs .

La voix doit être adaptée au rôle , qu'il s'agisse de créer un narrateur dramatique, un assistant virtuel ou un personnage de jeu de rôle . Grâce à l' expressivité accrue de nos modèles Gemini TTS et à leur meilleure adéquation aux instructions précises de votre cahier des charges stylistique, le respect du rôle est nettement amélioré . Le modèle adoptera un ton fidèle à celui que vous spécifiez , par exemple « enjoué et optimiste » ou « sombre et sérieux ».

Une blague exige du timing, une explication complexe nécessite des pauses , et une séquence d'action requiert de la rapidité pour produire un débit de parole réaliste . Nous avons amélioré la capacité du modèle à adapter le rythme au contexte du message, lui permettant ainsi d' accélérer naturellement pour susciter l' enthousiasme ou de ralentir pour insister.

Des dialogues réalistes avec des personnages différents sont essentiels pour des applications telles que les scénarios à plusieurs personnages , les podcasts et les interviews simulées . Afin de préserver la cohérence des voix et de gérer plus naturellement la transition entre les interlocuteurs lors des conversations, nous avons amélioré nos modèles.

Les améliorations apportées aux modèles Gemini TTS ne se limitent pas à la voix et au rythme. Elles incluent également une meilleure gestion des émotions et des inflexions pour rendre les interactions plus naturelles et engageantes. Par exemple, un personnage exprimant la surprise ou l'enthousiasme verra sa voix modulée de façon réaliste, ce qui enrichit l'expérience utilisateur et rend les contenus plus immersifs.

De plus, ils ont amélioré les capacités multilingues de notre modèle afin qu'il puisse conserver le ton, la hauteur et le style distincts de chaque personnage tout au long de la conversation dans les 24 langues prises en charge .