Как озвучить текст нейросетью: полный гайд по Gemini Flash TTS

Озвучка текста нейросетью — это когда вы вставляете обычный текст, а на выходе получаете готовый аудиофайл, где его читает живой человеческий голос. В СуперИнтеллекте это делает модель Gemini Flash TTS (Gemini 3.1 Flash TTS от Google) в разделе МедиаЛаб. Её ключевая особенность: модель построена на языковой модели, поэтому понимает не только что сказать, но и как — с нужным тоном, темпом и эмоцией. Вы описываете манеру произношения обычными словами, выбираете один из 30 голосов и получаете озвучку студийного качества — для видео, подкаста, курса, рекламы или аудиокниги.

Это флагманский гайд серии: здесь разобрано всё — где найти модель, каждое поле формы, полная таблица голосов, готовые примеры поля «Стиль речи» под разные задачи, диалоги разными голосами и мультиязычная озвучка. Забирайте примеры и применяйте сразу.

TTS расшифровывается как text-to-speech — «текст в речь», синтез речи. Вы даёте текст → нейросеть генерирует аудио, где этот текст произнесён вслух выбранным голосом. В отличие от старых «роботных» синтезаторов, Gemini Flash TTS звучит естественно: правильно расставляет паузы, интонацию и ударения, передаёт эмоцию и умеет менять манеру речи по вашей текстовой инструкции.

Модель живёт в МедиаЛаб — студии генерации медиа. Найти её можно за четыре шага.

Форма озвучки простая — всего пять элементов. Разберём каждый, чтобы вы точно знали, за что он отвечает.

Главное поле. Вставьте сюда текст, который нужно озвучить — от одной фразы до целого сценария. Рядом есть счётчик символов, чтобы вы видели объём. Пишите так, как хотите, чтобы это прозвучало: расставляйте знаки препинания, разбивайте на предложения, добавляйте абзацы для пауз.

Здесь вы обычными словами описываете, как произнести текст. Например: «Спокойным профессиональным тоном», «Быстро и с воодушевлением», «Тёплым доверительным голосом», «С лёгкой иронией», «Медленно, торжественно». Поле можно оставить пустым — тогда модель прочитает нейтрально. Но именно это поле превращает обычную начитку в живую озвучку под задачу, поэтому ниже мы даём большую подборку готовых примеров.

Доступно 87 языков и диалектов. По умолчанию стоит русский — для большинства задач его менять не нужно. Выбирайте язык под ваш текст: если озвучиваете английский сценарий, поставьте английский, для локализации курса — нужный язык аудитории.

30 голосов, у каждого указаны пол и характер. У каждого голоса есть кнопка ▶ — можно прослушать образец до генерации и выбрать подходящий. По умолчанию выбран Kore (женский, твёрдый). Полная таблица — ниже.

Запускает озвучку. Через некоторое время готовый аудиофайл (MP3) появится в галерее МедиаЛаб — оттуда его можно прослушать и скачать.

Голоса названы в честь звёзд, поэтому имена экзотические — ориентируйтесь на пол и характер. Перед генерацией обязательно прослушайте образцы кнопкой ▶: описание задаёт направление, но финальное впечатление лучше проверить ухом.

Чтобы не перебирать все 30 вариантов вручную, начните с этой шпаргалки «задача → голос → стиль речи». Это отправная точка — дальше подстройте под свой вкус.

Поле «Стиль речи» — самый мощный инструмент модели. Вот готовые формулировки под разные сценарии. Копируйте их в поле как есть или комбинируйте — модель понимает естественный язык.

Энергично и с воодушевлением, уверенным голосом.
Слегка ускоряйтесь к концу, делайте акцент на выгоде.
Звучите так, будто искренне рады рассказать о продукте.

Размеренно и выразительно, как опытный чтец.
Делайте паузы между сценами, меняйте интонацию по смыслу.
В напряжённых моментах говорите тише и медленнее.

Очень медленно, спокойно и тёплым, мягким голосом.
Длинные паузы между фразами, расслабленное дыхание.
Говорите так, будто мягко ведёте слушателя к покою.

Чётко, нейтрально и профессиональным тоном.
Ровный темп, ясная дикция, без лишней эмоции.
Серьёзно и собранно, как ведущий выпуска новостей.

Тепло, дружелюбно и приветливо, с улыбкой в голосе.
Неспешно, доброжелательно, будто встречаете гостя.
Лёгкий позитив, но без наигранности.

Медленно, торжественно и с достоинством.
Весомые паузы, глубокий уверенный тон.
Звучите так, будто объявляете важное событие.

Спокойно, дружелюбно и понятно объясняя.
Замедляйтесь на ключевых терминах, делайте акцент на главном.
Терпеливый тон наставника, который хочет, чтобы поняли.

С лёгкой иронией и хитрецой, чуть игриво.
Небольшие паузы перед пуантами, улыбка в голосе.
Не переигрывайте — тонко и с чувством.

Напряжённо, приглушённым голосом, с придыханием.
Медленный темп, тяжёлые паузы, нарастание к развязке.
Передайте тревогу и внутреннее напряжение сцены.

Быстро, бодро и на позитиве, с драйвом.
Динамичный темп, живая интонация, цепляющее начало.
Звучите молодо и заряженно, будто делитесь классной находкой.

Одна генерация — один голос. Чтобы получить живой диалог двух и более персонажей, соберите его из отдельных дорожек.

87 языков и диалектов позволяют озвучивать контент для разных аудиторий, не меняя инструмент. Среди доступных — английский, украинский, казахский, немецкий, французский, испанский, итальянский, португальский, турецкий, китайский, японский, корейский, арабский, хинди, польский и десятки других.

Готовый MP3 подходит для десятков сценариев. Несколько популярных направлений:

Подробные рецепты под конкретные ниши — в соседних материалах серии: озвучка для соцсетей и видео и озвучка для обучения и бизнеса. Общий обзор функции — в анонсе озвучки в МедиаЛаб.

В левом меню откройте «МедиаЛаб» → в колонке «Тип задачи» выберите «Работа с аудио» → в разделе «Флагманские» выберите модель «gemini-3.1-flash-tts». Откроется форма: вставьте текст, при желании задайте стиль речи, выберите язык и голос, нажмите «Создать задание».

30 голосов (женские и мужские, каждый со своим характером) и 87 языков и диалектов. По умолчанию выбраны голос Kore и русский язык. Образец любого голоса можно прослушать кнопкой ▶ до генерации.

В необязательном поле «Стиль речи» опишите манеру обычными словами: «спокойным профессиональным тоном», «быстро и с воодушевлением», «медленно, торжественно». Можно просить ускоряться на важном, замедляться для акцента, задавать акцент и даже шёпот. Лучший результат — когда стиль совпадает по настроению с текстом.

Озвучьте реплики каждого персонажа отдельными генерациями — своим голосом и стилем для каждого — скачайте файлы и соберите их по порядку в редакторе. Одна генерация всегда использует один голос.

Результат — аудиофайл MP3, он появляется в галерее МедиаЛаб, откуда его можно скачать. Озвучка оплачивается нейронами, как и другие генерации в МедиаЛаб; у новых пользователей есть бесплатный стартовый баланс, чтобы попробовать.

Лучший способ разобраться — сделать первую озвучку. Зайдите в МедиаЛаб, вставьте пару предложений, выберите голос, добавьте строку стиля и послушайте результат. Создайте бесплатный аккаунт в СуперИнтеллекте — стартовый баланс уже включён, чтобы попробовать разные голоса и стили без вложений.

Что дальше почитать: ИИ-картинки для бизнеса — примеры и промпты, GigaChat на СуперИнтеллекте и ИИ для малого бизнеса: с чего начать.