Gemini 3.8 : Google dévoile une IA texte‑vers‑voix plus naturelle que jamais
Avec Gemini 3.8 Flash TTS et sa version Flash-Lite, Google fait passer sa synthèse vocale de 30 à plus de 2 000 voix, dans plus de 100 langues. Les développeurs peuvent diriger chaque réplique d'un script en langage naturel. En revanche, Google a exclu l'Europe de sa nouvelle fonction de réplication vocale.
Jusqu'ici, les développeurs de l'API Gemini disposaient de 30 voix prédéfinies pour faire parler leurs applications. Une semaine après le lancement de Gemini 3.8 Live, Google leur propose deux nouveaux modèles de synthèse vocale et, avec eux, plus de 2 000 voix prêtes à l'emploi, jusqu'aux variantes régionales du français québécois.
Gemini 3.8 Flash TTS est conçu pour la direction artistique et la création de personnages. Google destine sa version Flash-Lite aux usages en gros volume à moindre coût, du doublage aux agents vocaux. Par rapport à Gemini 3.1 Flash TTS, l'entreprise annonce de nets progrès sur les contenus longs et les dialogues à deux voix. Les deux modèles sont accessibles dans l'API Gemini et dans Google AI Studio.
Dans un script, le développeur peut préciser en langage naturel le ton ou le rythme attendus pour chaque réplique. Il a également la possibilité d'insérer des balises de sons non verbaux, <laughs> pour un rire ou <sigh> pour un soupir, ainsi que des interjections d'écoute active du type « mhm ». Google gère nativement les scènes à deux interlocuteurs, avec des tours de parole enchaînés au sein d'une seule génération audio. Sur les formats longs, la voix d'un personnage est conservée pendant des heures d'enregistrement continu, avec un timbre stable et une dérive minimale du locuteur, d'après l'entreprise.
Avec un échantillon audio de 30 secondes, un utilisateur peut aussi reproduire une voix existante. Avant toute création, Google exige que le propriétaire de cette voix donne oralement son accord dans un enregistrement, puis vérifie que ce locuteur correspond bien à celui de l'échantillon.
8 / 10
Lire le test
- Multimodalité texte, voix et fichiers
- Intégration poussée aux services Google
- Applications Web, mobile et bureau
- Réponses toujours à vérifier
- Quotas variables selon le forfait
- Multimodalité texte, voix et fichiers
- Intégration poussée aux services Google
- Applications Web, mobile et bureau
- Réponses toujours à vérifier
- Quotas variables selon le forfait
Le groupe intègre en outre à chaque fichier généré un filigrane SynthID imperceptible à l'oreille, pour faciliter la détection des contenus synthétiques, et des certificats de provenance C2PA. Prochainement, les utilisateurs pourront remixer une voix et en modifier le timbre, la hauteur, le débit ou l'accent par une simple consigne écrite, du type « ajoute un léger accent du sud des États-Unis ».
Côté grand public, Google a intégré Flash TTS à Gemini Notebook, où les utilisateurs peuvent transformer leurs documents en résumés audio. Flash-Lite TTS est de son côté arrivé dans Google Vids, l'outil de création vidéo de Google Workspace. Les entreprises devront patienter jusqu'à l'arrivée des deux modèles dans l'API Gemini Enterprise.
Gemini 3.8 en tête d'un classement de Hume AI
Comme on vous le disait précédemment, Google avait recruté Alan Cowen, patron de Hume AI, et sept de ses ingénieurs grâce à un accord de licence. Cette start-up américaine est spécialisée dans l'IA émotionnelle et dans la reproduction du timbre et de l'intonation des voix. Elle a poursuivi ses activités après le départ de son dirigeant. Alan Cowen cosigne aujourd'hui l'annonce de Gemini 3.8 TTS en tant que directeur de recherche scientifique chez Google. Or les principaux scores mis en avant par Google sont ceux du Voice Design Benchmark de Hume AI.
Dans ce classement, Gemini 3.8 Flash TTS est premier au général avec un score de 71,4, et premier sur la modélisation des accents avec 60,8. Sur l'indice de qualité globale de la start-up, les deux modèles de Google sont aux deux premières places. Dans le classement Voice Arena, Google est aussi en tête pour six langues, dont le japonais et l'hindi. Le français est absent de cette liste.
La réplication vocale est indisponible dans l'Espace économique européen, au Royaume-Uni, en Suisse et en Inde, et dans deux États américains, l'Illinois et le Texas. Ces deux États sont dotés de lois spécifiques sur les données biométriques. Pour la France, Google est resté… muet.
Inscrivez-vous à notre newsletter quotidienne
Recevez un résumé quotidien de l'actu technologique
En cliquant sur s'inscrire, j’accepte de recevoir par email des informations, actualités et offres commerciales de Clubic. Conformément au RGPD, vous pouvez retirer votre consentement à tout moment en cliquant sur le lien de désinscription présent dans chaque email. Pour en savoir plus sur la gestion de vos données, consultez notre Politique de confidentialité