Google: Gemini 3.8 Flash TTS

Google Gemini 3.8 Flash TTS là cấp diễn xuất giọng nói sáng tạo trong dòng chuyển văn bản thành giọng nói 3.8 của Google. Trọng tâm là độ trung thực âm thanh, dải cảm xúc, giọng vùng miền và sự liên tục của giọng nhân vật qua đối thoại dài. Google nhấn mạnh sách nói, lời dẫn thu âm, phát âm khó và cảnh cần diễn xuất giọng đáng kể. Đầu ra là âm thanh lời nói từ kịch bản đã chuẩn bị, phù hợp để kiểm tra phần thể hiện của người dẫn hoặc sắp xếp hội thoại có kịch bản cùng các yếu tố sản xuất khác.

Bắt đầu bằng đúng những từ cần nghe. Bản lời thoại 3.8 được xử lý nguyên văn, còn người nói và cách thể hiện xuyên suốt thuộc siêu dữ liệu lời nói riêng. Gán định danh người nói rõ ràng cho mỗi lượt và khi hữu ích, thêm chỉ dẫn phong cách ngắn như lo lắng kìm nén hoặc tò mò vui vẻ. Tách một câu thành các lượt riêng khi cảm xúc hoặc nhịp thay đổi đáng kể. Nhờ vậy, đề bài dễ kiểm tra hơn: bản lời thoại chứa đối thoại, còn chỉ dẫn đính kèm giải thích cách thể hiện phần đó. Chỉ dẫn viết thông thường đặt trong bản lời thoại có thể bị đọc thành tiếng.

Hệ thống giọng 3.8 của Google gồm giọng dựng sẵn, thư viện giọng mở rộng, hình tượng giọng được thiết kế và định danh giọng được sao chép. Chọn hình tượng nền tảng trước khi áp dụng thay đổi diễn xuất tạm thời. Giọng vùng miền ổn định hoặc định danh nhân vật thuộc giọng đã chọn; trường style điều khiển phần thể hiện hiện tại. Nhà sản xuất khuyên tái sử dụng giọng đó với chỉ dẫn ngắn thay vì lặp các khối Audio Profile hoặc Director’s Notes dài. Cấu hình đối thoại trong một yêu cầu được ghi trong tài liệu kết hợp tối đa 2 người nói dựng sẵn. Với nhân vật được thiết kế hoặc sao chép, hướng dẫn yêu cầu tạo từng lượt riêng khi lắp ghép trao đổi nhiều nhân vật.

Đặt tiếng phát âm ngắn của con người hoặc khoảng dừng ở điểm liên quan bằng thẻ trong dấu ngoặc góc (< >). Ví dụ kịch bản minh họa là “Tôi tưởng anh đã đi rồi. <short pause> <sigh> Tôi vẫn để đèn sáng.” Gắn cách nói trầm lắng cho cả lượt thay vì đặt chỉ dẫn đó giữa các từ được đọc. Dấu câu và chữ hoa có thể giúp diễn đạt sự ngập ngừng hoặc nhấn mạnh từ. Google còn mô tả phản ứng người nghe phân cách bằng dấu gạch đứng cho lời hưởng ứng và đối thoại chồng lấn, đồng thời xác định Flash TTS là phiên bản 3.8 ưu tiên cho mức chồng lấn nhiều hơn. Giữ phản ứng đủ ngắn để người nghe vẫn hiểu lời chính.

Nhà sản xuất liệt kê 130 ngôn ngữ được hỗ trợ cho Flash TTS và nhấn mạnh độ bao phủ phương ngữ vùng miền và thiểu số. Đề bài thể hiện giọng vùng hữu ích cho nhân vật sách nói bản địa hóa hoặc lời dẫn có giọng quan trọng với khán giả. Chuẩn bị kịch bản bằng ngôn ngữ cuối, dùng cách viết nhất quán cho tên lặp lại và xác định cách đọc chữ viết tắt, con số. Trong bước biên tập, bắt đầu nghe kiểm tra từ đoạn có tên khó, đổi phương ngữ hoặc chuyển cảm xúc. Cần đánh giá giọng và nhịp mong muốn trên âm thanh tạo ra thay vì chỉ suy từ nhãn ngôn ngữ.

Hướng dẫn đầu ra 3.8 phân biệt tệp hoàn chỉnh với âm thanh truyền phát. Mặc định của yêu cầu hoàn tất là tệp WAV có phần đầu RIFF: 24 kHz, mono, PCM little-endian 16-bit có dấu. Mặc định truyền phát là PCM tuyến tính thô không có phần đầu, cùng các đặc tính mẫu. PCM tuyến tính thô, mu-law và A-law cũng là những lựa chọn mã hóa được ghi trong tài liệu. Dùng thông tin mã hóa thực tế khi chuẩn bị phát hoặc nhập kết quả vào trình biên tập. Với chuỗi tệp đối thoại riêng, giữ định dạng nhất quán và kiểm tra điểm nối xem có thay đổi đột ngột về mức âm, nhịp hoặc âm nền phòng không.

Trang mô hình cụ thể của Google quy định giới hạn phục vụ Gemini API là 8,192 token đầu vào và 16,384 token đầu ra. Đây là giới hạn token, không phải thời lượng sách nói cố định hoặc số giây lời nói chính xác. Chia kịch bản dài tại ranh giới có ý nghĩa và giữ định danh giọng đã chọn qua các phần. Với sản xuất dài một chương, nghe kiểm tra tính liên tục tại chỗ đổi đoạn và cảnh, cũng như độ chính xác từ trong mỗi phân đoạn. Kiểm tra thực tế tốt sẽ ghi những câu cần sửa phát âm hoặc diễn xuất thay vì viết lại toàn bộ đề bài giọng sau mỗi lần thu.

Flash TTS và Flash-Lite TTS dùng chung cấu trúc chuẩn bị 3.8, nên lựa chọn phiên bản có thể theo nhu cầu công việc. Flash TTS chú trọng diễn xuất, đối thoại phức tạp, phát âm khó và bao phủ phương ngữ rộng hơn; Flash-Lite chú trọng thông lượng cho nội dung lời nói thông thường. Các tùy chọn biểu cảm liên quan đến lời nói con người và sự kiện giọng. Hiệu ứng nền, nhạc và bản hòa âm hoàn chỉnh có thể được lập kế hoạch thành tài sản riêng. Viết kịch bản, dịch và nhận dạng lời nói đã ghi vẫn là các giai đoạn riêng xung quanh mô hình văn bản thành âm thanh này.