谷歌近日在Gemini3.1系列中正式推出全新文字转语音模型Gemini-TTS，官方给出的定位直接而自信:"至今最富表现力的文本转语音解决方案"。
这款模型最核心的突破，在于把语音的"控制权"真正交给了开发者。以往的TTS产品，生成出来的声音往往千篇一律，语气平、节奏死、情绪单薄。Gemini-TTS则支持通过提示词直接调控语音的情感、节奏和风格——旁白需要低沉庄重，对话需要轻松自然，停顿落在哪里、情绪如何起伏，都可以用语言描述来精确控制。听感上的自然度和细腻程度，比过去的同类产品上了一个台阶。
多语言支持方面，Gemini-TTS覆盖约70种语言，中文普通话、英语、西班牙语、日语等主流语种均在列。更省心的是，模型可以自动识别输入文本的语种，无需开发者手动标注，直接生成对应语言的语音输出。对于需要服务全球用户的企业来说，这意味着一套API就能搞定多语种内容的语音化需求，有声读物、播客、客服机器人、教育应用都是直接受益的场景。
谷歌还特别强调了Gemini-TTS与同系列音频模型的协同能力。在实时对话、语音翻译和多模态交互场景中，系统可以在保持低延迟的同时，通过文本提示和音频标记对语音输出进行精细调控，让AI在电话、会议、导航等实际使用场景中听起来更接近真实的人类交流。
语音，正在成为AI下一个主战场。谷歌这次出手，来势不小。
Anthropic公司推出新模型Mythos，能有效发现安全漏洞，但可能引发混乱。为此启动Project Glasswing计划，邀请50多家行业合作伙伴测试模型，提前修复产品隐患，防范网络攻击。参与者包括亚马逊等企业。
Gizmo获2200万美元A轮融资，将用于扩大AI团队和拓展美国高校市场。该平台通过将笔记转为互动学习材料，已吸引全球超1300万用户。
Adobe推出Firefly AI Assistant，它能跨应用自主执行任务。用户只需用自然语言描述目标，它就能规划流程，在Photoshop、Premiere等Creative Cloud应用中完成操作并同步结果，重构创作工作流。
腾讯混元团队开源“混元3D世界模型2.0”，实现从视频生成到可交互、可编辑3D资产的升级。支持文、图、视频输入，能自动生成包含人、物、景的完整3D空间，并支持多种格式导出，无缝对接主流游戏引擎。
印度初创公司Emergent推出AI代理Wingman，进军AI代理软件市场。该产品主打“消息传递优先”，集成于WhatsApp等主流通讯平台，用户可通过自然语言指令跨工具执行邮件管理、日程对接等任务。公司此前凭借“氛围编码”平台已积累超800万开发者用户。
关注 “悠AI” 更多干货技巧行业动态
相关文章
