गूगल ने 23 सितंबर को दो टेक्स्ट-टू-स्पीच मॉडल जारी किए, जेमिनी 3.8 फ़्लैश टीटीएस और जेमिनी 3.8 फ़्लैश-लाइट टीटीएस, और सबसे बड़ी संख्या आवाज़ों की लाइब्रेरी है: उत्पादन के लिए तैयार 2,000 से अधिक आवाज़ें, जबकि जेमिनी के पिछले वाक् मॉडल 30 आवाज़ें देते थे, यूनाइट.एआई के विवरण के अनुसार। कवरेज 100 से अधिक भाषाओं और बोलियों तक जाती है, जिनमें गूगल ने कुछ क्षेत्रीय रूपों का नाम लिया है: मैक्सिकन स्पेनिश, क्यूबेक फ़्रेंच और स्कॉटिश अंग्रेज़ी।
दोनों मॉडल अब जेमिनी एपीआई और गूगल एआई स्टूडियो के ज़रिए उपलब्ध हैं।
दो मॉडल, दो काम
गूगल फ़्लैश टीटीएस को गहरी रचनात्मक निर्देशन और किरदार निर्माण — खेल, ऑडियोबुक, पॉडकास्ट — के लिए बताता है, और फ़्लैश-लाइट टीटीएस को बड़े पैमाने के लिए किफ़ायती विकल्प, जिसका लक्ष्य डबिंग और वॉइस एजेंट हैं। घोषणा में गूगल ने दोनों में से किसी की क़ीमत प्रकाशित नहीं की।
आवाज़ों की संख्या से ज़्यादा मायने रखने वाली क्षमता आवाज़ डिज़ाइन है। सूची में से चुनने के बजाय डेवलपर सामान्य भाषा में बताता है कि उसे कैसी आवाज़ चाहिए — भूमिका, लहजा, प्रस्तुति का स्वभाव — और मॉडल उसे बना देता है। गूगल पंक्ति-दर-पंक्ति निर्देशन का समर्थन भी करता है, जहाँ पटकथा के संकेत पढ़ने का ढंग तय करते हैं, बातचीत के लिए दो वक्ताओं की अंतर्निहित प्रस्तुति, और लंबे रूप की जनरेशन जो कंपनी के अनुसार घंटों के ऑडियो तक टिकती है।
नकल, सहमति और नक़्शा
ये मॉडल 30 सेकंड के ऑडियो नमूने से किसी आवाज़ की नकल भी कर सकते हैं, जिसे गूगल ने सहमति सत्यापन के एक चरण के पीछे रखा है। आउटपुट पर सिंथआईडी वॉटरमार्क रहता है।
यही संयोजन वह बिंदु है जहाँ यह रिलीज़ महज़ उत्पाद अपडेट नहीं रह जाती। एआई स्टूडियो के ज़रिए आवाज़ की नकल इलिनॉय, टेक्सस, यूरोपीय आर्थिक क्षेत्र, ब्रिटेन, स्विट्ज़रलैंड और भारत में उपलब्ध नहीं है — यह सूची बाज़ारों की नहीं, बल्कि बायोमेट्रिक और एआई क़ानून के नक़्शे जैसी पढ़ी जाती है। इलिनॉय और टेक्सस में बायोमेट्रिक पहचानकर्ताओं पर क़ानून हैं; यूरोपीय आर्थिक क्षेत्र और ब्रिटेन में डेटा सुरक्षा व्यवस्थाएँ आवाज़ की छाप को संवेदनशील मानती हैं।
बेंचमार्क का दावा
गूगल का कहना है कि फ़्लैश टीटीएस ह्यूम एआई के वॉइस डिज़ाइन बेंचमार्क में 71.4 के साथ पहले स्थान पर और लहजे की मॉडलिंग में 60.8 के साथ पहले स्थान पर रहा। ह्यूम एआई एक तीसरा पक्ष है, लेकिन जिस रूप में ये अंक प्रस्तुत हैं वह गूगल द्वारा अपनी ही घोषणा में दिया गया हवाला है, इस रिलीज़ का स्वतंत्र मूल्यांकन नहीं। यूनाइट.एआई के अनुसार फ़्लैश टीटीएस और फ़्लैश-लाइट टीटीएस ह्यूम के समग्र गुणवत्ता सूचकांक में पहले और दूसरे स्थान पर रहे।
आगे क्या देखना है
दो बातें। क्या गूगल फ़्लैश-लाइट के लिए प्रति अक्षर या प्रति सेकंड क़ीमत प्रकाशित करता है, क्योंकि डबिंग का पूरा अर्थशास्त्र उसी पर टिका है। और क्या सहमति सत्यापन का चरण इतना मज़बूत साबित होता है कि यह सुविधा अभी बाहर रखे गए क्षेत्राधिकारों में उपलब्ध हो सके — या वह बहिष्करण सूची और बढ़ती है।
