Gemini 3.8 TTS: Google uczy AI mówić z emocjami, nie tylko czytać

Znasz ten głos z automatycznej sekretarki. Płaski, równy, bez emocji, jakby ktoś czytał instrukcję obsługi pralki podczas własnego pogrzebu. Przez lata tak właśnie brzmiała syntetyczna mowa. Większość ludzi się z tym pogodziła, traktując to jako cenę za automatyzację. Google właśnie pokazuje, że ta cena spada.

23 września 2026 zespół Gemini Audio (Leland Rechis, Group Product Manager, i Alan Cowen, Director of Research Science) ogłosił dwa nowe modele: Gemini 3.8 Flash TTS i Gemini 3.8 Flash-Lite TTS. Google określa je jako najbardziej ekspresyjne modele generowania audio, jakie do tej pory wypuścili. Dostępne są od razu w kilku miejscach: Google AI Studio, Gemini API, Gemini Enterprise, Gemini Notebook oraz Google Vids.

Głos budujesz z opisu, nie z nagrania w studiu

Największa zmiana nie dotyczy jakości brzmienia jako takiej, tylko sposobu, w jaki go tworzysz. Zamiast nagrywać godziny materiału albo wybierać z zamkniętej listy gotowych lektorów, opisujesz głos zwykłym zdaniem. Google mówi wprost: możesz stworzyć niestandardowy głos od zera albo odtworzyć istniejący, posługując się prostym promptem w języku naturalnym.

To oznacza, że postać w grze, bohater audiobooka albo wirtualny asystent może mieć głos zaprojektowany pod konkretny charakter, akcent czy nastrój - bez angażowania aktora głosowego do każdej nowej linijki dialogu.

Reżyserujesz dźwięk linijka po linijce

Drugi element to kontrola nad wykonaniem. Modele pozwalają kierować audio krok po kroku, decydując o:

• tempie wypowiedzi (szybciej, wolniej, z pauzą w odpowiednim miejscu),
• emocji w danej kwestii (ten sam tekst może zabrzmieć spokojnie albo z napięciem),
• realistycznych dźwiękach konwersacyjnych, które w naturalnej rozmowie po prostu się pojawiają.

Dostajesz więc coś bliższego reżyserii scenariusza niż odtwarzaczowi tekstu na mowę. Dla kogoś, kto pracuje z podcastami tworzonymi z pomocą AI albo montuje materiały wideo, to konkretna oszczędność czasu: nie musisz wracać do nagrania dwadzieścia razy, żeby wymusić właściwy ton.

Do czego to realnie się nadaje

Google wskazuje konkretne zastosowania, do których te modele mają się nadawać w praktyce:

• audiobooki wysokiej jakości, gdzie różne postacie potrzebują różnych głosów,
• podcasty produkowane bez pełnego zaplecza studyjnego,
• głosowi agenci działający w czasie rzeczywistym i na dużą skalę, na przykład w obsłudze klienta.

To akurat ciekawe dla firm, które od miesięcy szukają sposobu, żeby ich boty głosowe przestały brzmieć jak boty głosowe. Jeśli interesuje Cię, jak podobne rozwiązania działają już po stronie tłumaczenia mowy, sprawdź Gemini Live Translate - Google testował tam podobne podejście do naturalnej mowy w czasie rzeczywistym.

Zabezpieczenia wbudowane od razu, nie doklejone później

Skoro generowanie realistycznego głosu staje się prostsze, pytanie o nadużycia jest naturalne. Google deklaruje, że modele mają wbudowane narzędzia bezpieczeństwa, w tym znakowanie wodne (watermarking), które ma pomóc odróżnić dźwięk wygenerowany przez AI od nagrania prawdziwej osoby. To nie rozwiązuje problemu deepfake'ów głosowych raz na zawsze, ale pokazuje, że temat traktowany jest jako część produktu, a nie dodatek na później.

Dla porównania: inni gracze na rynku audio AI idą podobną drogą. Alibaba rozwija CosyVoice Studio, co pokazuje, że ekspresyjny, kontrolowalny głos syntetyczny staje się standardem, o który konkurują wszystkie duże firmy technologiczne, nie tylko Google.

Dla polskich twórców i firm największe pytanie brzmi, kiedy i jak dobrze te modele obsłużą język polski z jego intonacją i akcentami regionalnymi. Google w materiale nie precyzuje listy obsługiwanych języków, więc zanim zaczniesz planować produkcję audiobooka po polsku w oparciu o Gemini 3.8 TTS, sprawdź aktualną dokumentację w Google AI Studio.

Co z tego wynika? Głos syntetyczny przestaje być technicznym kompromisem, a staje się narzędziem kreatywnym, którym sterujesz podobnie jak reżyser aktorem. Czy to koniec pracy dla lektorów i aktorów głosowych? Nie od razu i nie wszędzie, ale próg wejścia w produkcję dźwięku z charakterem właśnie mocno się obniżył, a to zawsze zmienia, kto może wejść na ten rynek.