Google выпустил две TTS-модели: флагманскую Gemini 3.8 Flash TTS и облегчённую Flash-Lite TTS. Голос теперь описывается промптом, а не выбирается из каталога. До конца года цены снижены на 70% относительно предшественника, но миграция с 3.1 требует переработки кода.
TTS
Supertonic 3 — первая open-source TTS-система на основе flow-matching, работающая на CPU в реальном времени. Модель весит 99 миллионов параметров, но синтезирует минуту речи за 20 секунд даже на e-ink устройствах, что делает её привлекательной для офлайн-приложений.
AI
Suno Bark — это не точная TTS-система, а генеративная модель, которая импровизирует над текстом: добавляет смешки, музыку и невербальные реакции. Это делает её полезной для креативных задач, но бесполезной для точной озвучки. Почему её ограничения — это не баг, а фича?