01
Gemini 3.8 Flash TTS
CER 0,1%. В проверенной выборке не зафиксированы аномалии; клиппинг отсутствовал в 34 проверенных файлах. Длинная реплика прошла без зацикливания в одном прогоне.
Исследования
Синтез русской речи: сравнение Gemini 3.8 Flash TTS и Flash-Lite
Команда Антиматерии проверила русскую речь, числа, длинные реплики и время ожидания у моделей Gemini TTS. Разбираем результаты инженерного теста и его ограничения.
Что важно в синтезе речи для бизнеса
Голосовая модель должна точно произносить сумму заказа, дату встречи, название компании и условия договорённости. Ошибка в числе может изменить смысл реплики, даже если голос звучит естественно. Поэтому точность текста и приятность голоса нужно проверять отдельно.
Мы исследовали синтез речи для голосовых сценариев Антимы. Ниже — результаты отдельного тестового стенда от 27 сентября 2026 года. Они описывают поведение моделей в заданных условиях и не раскрывают состав действующих сервисов Антимы.
Как мы проверяли русский TTS
В набор вошли восемь русских фраз: короткая реплика, обычный ответ, числа и даты, сокращения «ООО» и «НДС», имена и топонимы, эмоциональные инструкции и длинный текст на 1281 символ. В исследовании обработали 165 WAV-файлов; число записей по моделям различалось.
Точность оценивали обратным распознаванием: сгенерированное аудио снова переводили в текст тремя системами и брали медиану CER — доли отличающихся символов. Метрика помогает обнаружить пропуски и искажения, но зависит и от распознающих систем.
Человеческого прослушивания не было. Поэтому тест не оценивает тембр, ударения и убедительность эмоций. Разница между 0,1% и 0,2% CER на небольшой выборке не доказывает превосходство одной модели. Сырые аудиозаписи не сохранены в репозитории; результаты перенесены в исследовательский отчёт.
Результаты на тестовых фразах
CER приведён для набора без длинной стрессовой реплики. Это наблюдения стенда, а не гарантированная точность на любом тексте.
02
Gemini 3.8 Flash-Lite TTS
CER 0,2%. Клиппинг отсутствовал в 20 проверенных файлах. Длинная реплика прошла в одном прогоне; инструкция с колебаниями дала преувеличенные вздохи по машинной оценке.
03
Gemini 3.1 Flash TTS Preview
CER 0,0–0,2%, но на части записей обнаружены пики на пределе сигнала. В длинном тесте через один канал доступа возникло зацикливание; через другой канал стрессовый сценарий прошёл.
04
Gemini 2.5 Flash TTS
CER 4,2%. В выборке встречались выпадения фрагментов и ошибки произнесения чисел. На длинной стрессовой реплике зафиксировано зацикливание.
Хорошая озвучка ещё не означает быстрый диалог
Для замера ожидания использовали голос Kore, пять повторов обычных тестовых запросов и агрегированный API. Аудио приходило после завершения синтеза целиком. На реплике в 140 символов медиана составила 4,04 секунды у Flash и 3,45 секунды у Flash-Lite. На 395 символах — 9,44 и 8,54 секунды соответственно.
Это значения всего проверенного пути запроса. Их нельзя переносить на прямой API, другой регион, голос или потоковый режим. Настоящий стриминг Gemini 3.8 TTS через прямой API мы тогда не измерили.
Для подготовленной озвучки ожидание нескольких секунд может быть приемлемым. В живом разговоре такая пауза мешает собеседнику понять, услышала ли его система. Выбирать TTS следует вместе со способом доставки звука.
Что проверить перед выбором модели
Начните со словаря своего бизнеса: артикулы, суммы с копейками, фамилии, адреса и сокращения. Для длинной озвучки проверьте конец записи: текст не должен теряться, повторяться или обрываться.
Прослушайте результаты вслепую, без названий моделей. Отдельно оцените точность текста и естественность голоса. Повторите сложные фразы: удачная единичная генерация ещё не показывает устойчивость.
Сохраните версию модели, голос, дату, настройки, канал доступа и нагрузку. Наш вывод: в этой выборке модели 3.8 дали мало текстовых ошибок, но выбор для диалога требует отдельного теста задержки и человеческого прослушивания.
Вопросы о сравнении TTS
Flash-Lite лучше Flash для русского языка?
Наш тест не даёт такого вывода. Обе модели показали низкий CER; Flash-Lite отвечала быстрее на выбранном канале. Естественность и произношение нужно сравнить прослушиванием на ваших фразах.
CER измеряет качество голоса?
CER показывает расхождения текста после обратного распознавания. Он не измеряет тембр, ударения, эмоции и комфорт слушателя.
Подходит ли TTS для голосового AI-тренажёра?
TTS подходит для цепочки с отдельно сформированным текстом ответа. Для непрерывного диалога можно также рассматривать модели, принимающие и возвращающие аудио.
Источники и продолжение
Поддерживаемые модели и форматы синтеза; проверено 9 октября 2026 года.
Задержка голосового AI
Как измерять паузу от конца речи до первого звука.
Антима — экосистема AI-сервисов
Сценарии работы и актуальная информация о продукте.