Google lance Gemini 3.8 Flash TTS et Gemini 3.8 Flash-Lite TTS, deux modèles de synthèse vocale accessibles par l’API Gemini. L’entreprise met en avant la création de voix, le contrôle précis de l’interprétation et une bibliothèque couvrant plus de 100 langues.
Les deux modèles ont été annoncés le 23 septembre. Gemini 3.8 Flash TTS vise les usages demandant davantage de qualité et de contrôle, tandis que Flash-Lite TTS est présenté comme une variante pensée pour l’efficacité et le passage à l’échelle. Google ne se limite plus à la lecture neutre d’un texte : le développeur peut préciser le rythme, l’émotion et des indications comme un rire ou une pause.
Des voix conçues ou choisies dans un catalogue
Google indique que les modèles permettent de définir une voix avec un accent et des caractéristiques propres, ou d’en sélectionner une parmi plus de 2 000 options prêtes à l’emploi. La documentation de l’API décrit quatre modes : des voix de studio, une bibliothèque étendue, la conception d’une voix à partir d’une description en langage naturel et la réplication d’une voix à partir d’un échantillon accompagné d’un consentement.
Le système prend aussi en charge les dialogues à plusieurs intervenants. Chaque locuteur peut recevoir une voix distincte, ce qui ouvre des usages pour les assistants vocaux, la localisation, les livres audio, la formation ou la production de dialogues temporaires. Google précise toutefois que le champ texte est traité comme une transcription verbatim. Les consignes de jeu doivent donc passer par les paramètres et annotations prévus, et non être mélangées au texte prononcé.
Un marquage SynthID pour les sorties audio
Tous les fichiers audio générés reçoivent un filigrane SynthID, selon Google DeepMind. Ce marquage doit permettre d’identifier une production issue de l’IA sans modifier de façon perceptible l’écoute. Il ne remplace pas les règles de consentement ou d’information, notamment lorsque la voix reproduit celle d’une personne réelle, mais ajoute une trace technique commune aux services génératifs de Google.
Les modèles sont disponibles via Gemini API et Google AI Studio. La documentation fournit des exemples pour Python, JavaScript et les appels REST, ainsi que la sélection de voix par identifiant. Elle distingue aussi les voix persistantes conservées dans un projet des clés de voix temporaires, avec des limites propres à chaque mode.
Notre analyse
Cette mise à jour déplace la synthèse vocale de Google vers un outil de production plus programmable. Le point important n’est pas seulement le nombre de voix : c’est la possibilité de piloter une conversation ligne par ligne et de conserver des identités vocales dans une application. Flash-Lite peut intéresser les services à fort volume, tandis que Flash TTS devrait être privilégié lorsque la direction vocale compte davantage.
La réplication vocale restera le volet le plus sensible. Les mécanismes de consentement annoncés et SynthID fournissent des garde-fous, mais leur efficacité dépendra de leur application dans les interfaces finales. Pour les éditeurs, la disponibilité immédiate dans l’API réduit néanmoins la distance entre un prototype sonore et un service multilingue exploitable.
