Google ra mắt hai mô hình chuyển văn bản thành giọng nói Gemini 3.8 Flash TTS

Google vừa chính thức phát hành hai mô hình chuyển văn bản thành giọng nói (TTS) mới bao gồm Gemini 3.8 Flash TTS và Gemini 3.8 Flash-Lite TTS. Đợt phát hành kép này phân tách rõ ràng nhiệm vụ tạo âm thanh giữa định hướng biểu cảm sáng tạo và hạ tầng xử lý hàng loạt nhằm tối ưu chi phí.

Theo thiết kế, Gemini 3.8 Flash TTS hướng đến lĩnh vực giải trí tương tác, phát triển trò chơi điện tử và thuyết minh tác phẩm dài kỳ – những mảng đòi hỏi khả năng điều phối giọng nói thông qua câu lệnh văn bản. Ở phía còn lại, Gemini 3.8 Flash-Lite TTS tập trung vào các quy trình lồng tiếng tự động, hệ thống đối thoại chăm sóc khách hàng và các đường ống dịch thuật âm thanh với lưu lượng lớn.

Hai hệ thống mới tiếp nối danh mục công nghệ âm thanh trước đó của Google như 3.5 Live Translate, 3.5 Transcribe, 3.8 Live và 3.8 Live Extended Thinking. Lần này, hãng thay thế danh mục cố định gồm 30 giọng nói cũ bằng một thư viện phong phú hơn 2.000 hồ sơ âm thanh, bao quát các biến thể ngôn ngữ theo vùng miền như tiếng Pháp Quebec, tiếng Anh Scotland hay tiếng Tây Ban Nha Mexico trên hơn 100 ngôn ngữ. Google cũng lên kế hoạch cho một mô-đun tinh chỉnh giọng trong tương lai, cho phép người dùng điều chỉnh âm sắc, cao độ, tốc độ và ngữ điệu vùng miền bằng lệnh văn bản trực tiếp.

Hiệu năng thử nghiệm và khả năng dàn dựng hội thoại

Trong các đánh giá độc lập từ bên thứ ba, phiên bản Flash tiêu chuẩn đạt điểm số tổng thể 71,4 trên thang đo Hume AI Voice Design Benchmark, trong đó điểm mô phỏng ngữ điệu vùng miền dẫn đầu hạng mục với 60,8 điểm. Ở bảng xếp hạng Hume AI Overall Quality Index, Gemini 3.8 Flash TTS giữ vị trí dẫn đầu và Gemini 3.8 Flash-Lite TTS xếp thứ hai, vượt qua mốc chuẩn của thế hệ Gemini 3.1 Flash TTS trước đây. Các thử nghiệm mù đôi trên nền tảng Voice Arena cũng ghi nhận mức độ ưa chuộng cao đối với các ngôn ngữ khu vực, bao gồm tiếng Việt, tiếng Nhật, tiếng Bồ Đào Nha Brazil, tiếng Ả Rập chuẩn hiện đại, tiếng Tây Ban Nha Mexico và tiếng Hindi.

Bên cạnh các chỉ số kỹ thuật, hệ thống cho phép tạo kịch bản với hai người nói cùng lúc trên một văn bản duy nhất, giữ được nhịp đối thoại tự nhiên và sự tách bạch giữa các giọng nói trong suốt cuộc trò chuyện dài. Chất lượng âm thanh và âm sắc nhân vật được duy trì ổn định qua các tệp dài nhiều giờ, hạn chế hiện tượng suy giảm chất lượng khi thu âm sách nói hay podcast. Người biên soạn nội dung có thể chèn trực tiếp các ký hiệu âm thanh phi ngôn ngữ như tiếng cười, thở dài hoặc thở hổn hển vào kịch bản, kết hợp cùng các từ đệm tương tác để điều hòa nhịp điệu đàm thoại.

Cơ chế kiểm soát an toàn và lộ trình triển khai

Nhằm ngăn ngừa rủi ro mạo danh, quy trình sao chép giọng nói yêu cầu các bước xác thực danh tính bắt buộc. Để tái tạo một hồ sơ âm thanh, hệ thống cần một bản ghi mẫu chuẩn dài 30 giây kèm theo một đoạn ghi âm đồng thuận rõ ràng do chính chủ sở hữu giọng nói thực hiện. Google sẽ kiểm tra sự đồng nhất về mặt âm học giữa hai tệp âm thanh này trước khi xử lý hồ sơ tùy chỉnh.

Mọi tệp âm thanh xuất xưởng đều được nhúng vân nước kỹ thuật số SynthID không thể nghe thấy bằng tai thường và siêu dữ liệu xác thực nguồn gốc C2PA, phục vụ công tác nhận diện tài sản giọng nói nhân tạo về sau.

Hiện tại, các nhà phát triển phần mềm có thể tiếp cận cả hai mô hình thông qua Google AI Studio và Gemini API, đồng thời tích hợp vào các khung phát triển như Agora, LiveKit, Pipecat và Vercel. Nhiều đơn vị thương mại ban đầu như Figma, HeyGen, Linguana, Wondercraft, 99.co và Ollang đã bắt đầu áp dụng vào dịch thuật truyền thông và tự động hóa dịch vụ khách hàng. Về phía người dùng cuối, Gemini 3.8 Flash TTS được đưa thẳng vào Gemini Notebook, trong khi Google Vids tích hợp bản Flash-Lite. Khách hàng sử dụng gói Gemini Enterprise dự kiến sẽ nhận quyền truy cập API quản trị trong đợt triển khai kế tiếp.