Google führt Gemini 3.8 Flash TTS und Flash-Lite TTS ein

Google erweitert seine Gemini-Familie um zwei Modelle zur Umwandlung von Text in Sprache. Gemini 3.8 Flash TTS dient der kreativen Stimmgestaltung und Stimmnachbildung, während Gemini 3.8 Flash-Lite TTS auf große Audiomengen und geringe Kosten ausgerichtet ist.

Google stellte Gemini 3.8 Flash TTS und Gemini 3.8 Flash-Lite TTS am 23. September 2026 vor. TTS steht für Text-zu-Sprache und bezeichnet die Erzeugung gesprochener Sprache aus Text. Beide Modelle ermöglichen eine genaue Steuerung von Tonfall, Tempo und Ausdruck. Flash konzentriert sich auf kreative Regie und die Gestaltung von Figurenstimmen. Flash-Lite ist für umfangreiche Synchronisationen, Audioproduktionen und ausdrucksstarke Sprachassistenten optimiert.

Eigene Stimmen und Nachbildung aus 30 Sekunden

Gemini 3.8 Flash TTS kann anhand natürlichsprachlicher Eingaben neue Stimmen erzeugen. Rolle, Akzent und Stimmmerkmale lassen sich in mehr als 100 Sprachen und Dialekten anpassen. Daneben stellt Google eine Sammlung von mehr als 2.000 einsatzbereiten Stimmen bereit.

Für die Nachbildung einer Stimme genügt nach Angaben von Google eine 30 Sekunden lange Aufnahme. Nutzer dürfen dafür ihre eigene Stimme oder eine Stimme verwenden, für die sie die nötigen Rechte besitzen. Vor der Erstellung verlangt das System eine mündliche Einwilligungsaufnahme des Stimmeninhabers, die zur Referenzstimme passen muss. Speziell für diese Funktion nennt Google außerdem SynthID-Wasserzeichen und C2PA-Nachweise als Schutzmaßnahmen.

Unabhängig davon sollen alle mit Gemini-Audiomodellen erzeugten Audioclips ein nicht hörbares SynthID-Wasserzeichen erhalten. Dadurch soll sich künstlich erzeugte Sprache erkennen lassen.

Regie für einzelne Zeilen und längere Inhalte

Beide Modelle können die Darbietung zeilenweise steuern. Vorgaben betreffen unter anderem Schauspielhinweise, Sprechtempo, Dialektwechsel und kurze nichtsprachliche Reaktionen wie Lachen, Seufzen oder hörbares Einatmen. Auch Dialoge mit zwei klar getrennten Stimmen lassen sich aus einem einzigen Textbuch erzeugen.

Für Podcasts und Hörbücher sollen die Modelle über mehrere Stunden hinweg eine hohe Sprachqualität, ein natürliches Tempo und eine möglichst gleichbleibende Stimmfarbe bewahren. Eine angekündigte Funktion zur nachträglichen Veränderung vorhandener Stimmen soll künftig Stimmfarbe, Tonhöhe, Tempo und Akzent anpassbar machen.

Verfügbarkeit in Google-Diensten

Entwickler können beide Modelle seit dem 23. September 2026 über Google AI Studio und die Gemini API nutzen. API steht für Programmierschnittstelle, über die Software auf die Google-Dienste zugreifen kann. Gemini 3.8 Flash TTS wird außerdem in Gemini Notebook eingeführt, Gemini 3.8 Flash-Lite TTS in Google Vids. Für Unternehmen sollen beide Modelle später über eine API in Gemini Enterprise verfügbar werden.

Die Stimmnachbildung über Google AI Studio ist im Europäischen Wirtschaftsraum, in Großbritannien, der Schweiz und Indien sowie in den US-Bundesstaaten Illinois und Texas nicht verfügbar. Zu den genannten Unternehmen, die die Modelle für Synchronisation, Medienlokalisierung und sprachbasierte Systeme einbinden, gehören Figma, HeyGen, Linguana, Wondercraft, 99.co und Ollang.