Google hat Gemini 3.1 Flash TTS vorgestellt, ein neues Text-to-Speech-Modell, das synthetische Stimmen natürlicher, ausdrucksstärker und leichter steuerbar machen soll.
Gemini 3.1 Flash TTS macht bereits bei Branchen-Benchmarks auf sich aufmerksam. Laut Artificial Analysis erreichte das Modell 1.211 Elo-Punkte in der TTS-Rangliste, die auf Blindtests mit Tausenden menschlichen Hörvergleichen basiert.
Damit liegt es weltweit auf dem zweiten Platz, knapp hinter Inworld TTS 1.5 Max (1.215) und vor ElevenLabs Eleven v3 (1.179). Artificial Analysis ordnete das Modell außerdem in den „attraktivsten Quadranten“ ein und hob damit sein ausgewogenes Verhältnis zwischen hochwertiger Sprachausgabe und vergleichsweise niedrigen Kosten hervor.
Zu den herausragenden Funktionen von Gemini 3.1 Flash TTS gehört die Einführung von Audio-Tags – ein System, mit dem Nutzer mithilfe einfacher Textanweisungen steuern können, wie Sprache vorgetragen wird.
Entwickler können Tags direkt in Skripte einfügen, um Tonfall, Sprechtempo und Ausdruck in Echtzeit anzupassen.
Berichten zufolge unterstützt das Modell mehr als 200 solcher Tags und bietet damit ein Maß an Kontrolle, das bei herkömmlichen TTS-Systemen nicht üblich ist. Dieser Ansatz des Inline-Promptings ermöglicht es Nutzern, die Sprachausgabe ohne komplexe Audiotechnik zu gestalten, und erleichtert so das Experimentieren mit und die Verfeinerung von Spracherlebnissen.
Das Modell unterstützt mehr als 70 Sprachen sowie regionale Akzentvarianten. Dazu gehören mehrere englische Akzente – von amerikanischen Varianten bis hin zu britischen Formen wie RP und Brixton – sowie eine große Auswahl an Sprachen aus aller Welt. Für Workspace-Nutzer bietet die Integration in Google Vids 30 Gesprächsstimmen in 24 Sprachen und erweitert damit die Zugänglichkeit und Lokalisierung für Content-Ersteller und Unternehmen.
Sicherheitsmaßnahmen mit integrierter Wasserzeichen-Technologie
Um Bedenken hinsichtlich KI-generierter Medien zu begegnen, wird sämtliches von Gemini 3.1 Flash TTS erzeugtes Audio mit einem SynthID-Wasserzeichen versehen. Laut der Ankündigung des Unternehmens ist „dieses nicht wahrnehmbare Wasserzeichen direkt in die Audioausgabe eingebettet und ermöglicht die zuverlässige Erkennung KI-generierter Inhalte, um die Verbreitung von Falschinformationen zu verhindern“.
Das Wasserzeichen ist nicht hörbar, kann aber erkannt werden, um zu überprüfen, ob ein Clip von einer KI erzeugt wurde. Google zufolge soll dieser Ansatz dabei helfen, synthetische Inhalte zu identifizieren und das Risiko von Falschinformationen zu verringern.
So erhalten Sie Zugriff
Gemini 3.1 Flash TTS ist ab sofort verfügbar. Entwickler können über die Gemini API und Google AI Studio in der Vorschau darauf zugreifen. Unternehmensteams können es auf Vertex AI testen. Workspace-Nutzer finden es in Google Vids.
Außerdem lesenswert: Googles KI-Offensive im März erweiterte Gemini um proaktivere Tools, umfassendere Personalisierung und neue Optionen für Creator und Entwickler.