70 भाषाओं के साथ Google का नया स्पीच AI लॉन्च

Google ने अपने तकनीकी साम्राज्य को और मजबूत करते हुए एक नया speech AI स्पीच एआई मॉडल लॉन्च किया है, जो 70 से अधिक भाषाओं में सहायता प्रदान करता है। इसका नाम है Gemini 3.1 Flash TTS, जो text-to-speech टेक्स्ट-टू-स्पीच प्रौद्योगिकी पर आधारित है और डेवलपर्स, उद्यम उपयोगकर्ताओं और AI एप्लिकेशन निर्माताओं के लिए बनाया गया है। कंपनी का दावा है कि यह मॉडल आवाज की quality गुणवत्ता, नियंत्रण और स्केलेबिलिटी में बड़ी कूद लाता है।

यह मॉडल Gemini 3 Pro पर आधारित है और तकरीबन 16K टोकन्स तक के टेक्स्ट इनपुट और 32K टोकन्स तक के ऑडियो आउटपुट को support सपोर्ट कर सकता है। इसका Live वेरिएंट न केवल टेक्स्ट, बल्कि ऑडियो, इमेज और वीडियो इनपुट को भी संसाधित करता है, जिससे multimodal interaction मल्टीमोडल इंटरैक्शन की संभावना खुलती है। इसका मतलब है कि एक ही मॉडल कई प्रकार के डेटा के साथ जवाब दे सकता है, जो बहुत अधिक लचीलापन देता है।

Google के अनुसार, इस मॉडल में आवाज अब और अधिक natural प्राकृतिक और भावपूर्ण सुनाई देती है। यूजर्स ऑडियो टैग्स के जरिए आवाज के टोन, गति और डिलीवरी को बदल सकते हैं। मल्टी-स्पीकर सपोर्ट के जरिए एक साथ अलग-अलग आवाजों में बातचीत तैयार की जा सकती है, जो ऑडियोबुक, गेम या असिस्टेड लर्निंग जैसे use cases उपयोग के मामलों के लिए बहुत उपयोगी है।

इसमें यूजर्स को सीन डायरेक्शन और स्पीकर-लेवल कंट्रोल जैसे उन्नत विकल्प भी मिलते हैं। उदाहरण के लिए, आप एक वाक्य के अंदर भी भावना या जोर को बदल सकते हैं। डेवलपर्स के लिए Google AI Studio में advanced control एडवांस नियंत्रण उपकरण उपलब्ध हैं, जिनसे वे आवाज के आउटपुट को विस्तार से समायोजित कर सकते हैं। सेटिंग्स को वे Gemini API कोड के रूप में निर्यात भी कर सकते हैं।

सुरक्षा के लिए, Google ने इसमें SynthID वॉटरमार्किंग तकनीक शामिल की है, जो AI द्वारा उत्पन्न ऑडियो को पहचानने में मदद करती है। यह फीचर फिलहाल प्रीव्यू अवस्था में है। डेवलपर्स इसे Gemini API और Google AI Studio के माध्यम से एक्सेस कर सकते हैं, जबकि उद्यम उपयोगकर्ता इसे Vertex AI पर प्राप्त कर सकते हैं। यह launch लॉन्च बहुभाषी दुनिया में आवाज तकनीक के भविष्य को आकार देने का संकेत देता है।