گوگل نے جیمنی 3.8 فلیش ٹی ٹی ایس وائس ماڈل لانچ کیا۔

گوگل نے دو جیمنی 3.8 فلیش ٹی ٹی ایس صوتی ماڈلز کا آغاز کیا ہے، جو براہ راست کارکردگی کی اسکرپٹنگ اور ہائی والیوم آڈیو پروڈکشن کے لیے ڈیزائن کیا گیا ایک سرشار وائس جنریشن سسٹم متعارف کرایا ہے۔ دوہری ریلیز آواز کی ترکیب کے کاموں کو تخلیقی سمت اور لاگت کے انتظام کے بنیادی ڈھانچے کے درمیان تقسیم کرتی ہے۔

جیمنی 3.8 فلیش ٹی ٹی ایس انٹرایکٹو تفریح، گیم ڈویلپمنٹ، اور طویل شکل کے بیان کو نشانہ بناتا ہے جہاں اسٹوڈیو ٹیموں کو فوری بنیاد پر آواز کے ڈیزائن کی ضرورت ہوتی ہے۔ Gemini 3.8 Flash-Lite TTS خودکار میڈیا ڈبنگ، کسٹمر کا سامنا کرنے والے بات چیت کے ایجنٹوں، اور ہائی تھرو پٹ ٹرانسلیشن پائپ لائنوں پر توجہ مرکوز کرتا ہے۔

دونوں سسٹمز گوگل کے آڈیو روسٹر کو بڑھاتے ہیں، جس نے پہلے 3.5 لائیو ٹرانسلیٹ، 3.5 ٹرانسلیٹ، 3.8 لائیو، اور 3.8 لائیو ایکسٹینڈڈ تھنکنگ متعارف کرایا تھا۔ تکنیکی ٹیم نے 30 میراثی آوازوں کے فکسڈ کیٹلاگ کو تبدیل کرنے کے لیے ایک نیا ماڈل اکٹھا کیا۔

ڈویلپرز اب 100 سے زیادہ زبانوں پر پھیلے ہوئے 2,000 سے زیادہ پہلے سے تعمیر شدہ مخر پروفائلز کی ڈائرکٹری کا فائدہ اٹھا سکتے ہیں اور علاقائی زبانوں کی مختلف حالتوں کا احاطہ کر سکتے ہیں، بشمول کیوبیک فرانسیسی، سکاٹش انگریزی، اور میکسیکن ہسپانوی۔ آنے والا وائس ریمکسنگ ماڈیول آڈیو انجینئرز کو براہ راست ٹیکسٹ کمانڈز کے ذریعے ٹمبر، پچ، رفتار، اور لہجے کے سموچ کو ایڈجسٹ کرنے کی اجازت دے گا۔

ہیوم اے آئی بینچ مارک ٹیسٹ کی ترکیب کی کارکردگی

آزادانہ جائزوں نے بڑے ماڈل کو فریق ثالث کی آڈیو درجہ بندی میں سب سے اوپر رکھا ہے۔

Hume AI وائس ڈیزائن بینچ مارک میں، Gemini 3.8 Flash TTS نے مجموعی طور پر 71.4 پوائنٹس اور ایکسنٹ ماڈلنگ کے زمرے میں 60.8 پوائنٹس حاصل کیے۔

Hume AI جامع کوالٹی انڈیکس میں، Gemini 3.8 Flash TTS نے پہلا مقام حاصل کیا، جبکہ Gemini 3.8 Flash-Lite TTS نے جیمنی 3.1 فلیش TTS کے مقرر کردہ پچھلے بینچ مارک کو پیچھے چھوڑتے ہوئے دوسرا مقام حاصل کیا۔

وائس ایرینا کے ذریعے کئے گئے دوہرے اندھے انسانی ٹرائلز نے علاقائی زبانوں بشمول جاپانی، برازیلین پرتگالی، ویتنامی، جدید معیاری عربی، میکسیکن ہسپانوی اور ہندی کے لیے ترجیحی فوائد کی تصدیق کی۔

ملٹی سپیکر سٹیجنگ اور توسیعی ترکیب پر عمل درآمد کلیدی فوکس ہیں۔ ایک ہی اسکرپٹ دوہری اسپیکر کے تبادلے کی ہدایت کرتا ہے، قدرتی مکالمے کی ترتیب کو برقرار رکھتا ہے اور توسیعی گفتگو کے دوران آواز کی علیحدگی کرتا ہے۔

آڈیو کوالٹی اور کریکٹر ٹمبرز فائلوں کو گھنٹوں تک مستحکم رکھتے ہیں، آڈیو بک ریکارڈنگ اور ایپیسوڈک پوڈ کاسٹنگ کے دوران آواز کے انحطاط کو کم کرتے ہیں۔

مصنفین ٹیگز کو ہٹانے کے لیے غیر زبانی صوتی مارکر براہ راست پروڈکشن ٹیکسٹ میں داخل کر سکتے ہیں جیسے: ، یا جوابی زبانی فجائیہ کے ساتھ ایک لائن کے طور پر جیسے |mhm| اور |ہاں| یہ بات چیت کی رفتار کو متوازن کرنے کے بارے میں ہے۔

جیمنی 3.8 فلیش ٹی ٹی ایس وائس ماڈل کے لیے گوگل کے حفاظتی کنٹرول

صوتی کلوننگ پائپ لائن شناخت کی لازمی تصدیق کا استعمال کرتی ہے تاکہ نقالی کے خطرے کا مقابلہ کیا جا سکے۔ صوتی پروفائل کو دوبارہ بنانے کے لیے 30 سیکنڈ کی حوالہ ریکارڈنگ کے ساتھ ساتھ آواز کے اصل مالک کی طرف سے واضح زبانی رضامندی کا ٹریک درکار ہوتا ہے۔ Google حسب ضرورت پروفائل پر کارروائی کرنے سے پہلے دو آڈیو ٹریکس کے درمیان صوتی سیدھ کی تصدیق کرتا ہے۔

تیار کردہ ساؤنڈ فائلوں میں ایک غیر متزلزل SynthID آڈیو واٹر مارک اور انکرپٹڈ C2PA پرووینس میٹا ڈیٹا کو براہ راست برآمد شدہ ویوفارم میں شامل کیا گیا ہے، جس سے ڈاون اسٹریم کا پتہ لگانے والے ٹولز ترکیب شدہ صوتی اثاثوں کی شناخت کر سکتے ہیں۔

انٹرپرائز ماحول میں تعیناتی متعدد سافٹ ویئر ماحولیاتی نظاموں میں شروع ہو گئی ہے۔ سافٹ ویئر ڈویلپرز Google AI اسٹوڈیو اور معیاری Gemini API کے ذریعے Flash TTS اور Flash-Lite TTS دونوں تک رسائی حاصل کر سکتے ہیں اور Agora، LiveKit، Pipecat، اور Vercel پر چلنے والے ڈویلپر فریم ورک سے منسلک ہو سکتے ہیں۔ علاقائی میڈیا ترجمہ اور کسٹمر سروس آٹومیشن کے لیے ابتدائی تجارتی انضمام Figma، HeyGen، Linguana، Wondercraft، 99.co، اور Ollang میں ہوا ہے۔

آخری صارفین جیمنی نوٹ بک کے اندر براہ راست فلیش TTS وصول کرتے ہیں، جبکہ Google Vid Flash-Lite TTS کو مربوط کرتا ہے۔ جیمنی انٹرپرائز کے صارفین مستقبل کی تعیناتیوں کے دوران مینجمنٹ API تک رسائی حاصل کریں گے۔

حوالہ: US TRANSCOM فوجی لاجسٹکس کو محفوظ بنانے کے لیے بے ترتیب AI تعینات کرتا ہے۔

صنعت کے رہنماؤں سے AI اور بڑے ڈیٹا کے بارے میں مزید جاننا چاہتے ہیں؟ ایمسٹرڈیم، کیلیفورنیا اور لندن میں ہونے والے AI اور بگ ڈیٹا ایکسپو کو دیکھیں۔ یہ جامع تقریب TechEx کا حصہ ہے اور اس کا انعقاد دیگر اہم ٹیکنالوجی ایونٹس کے ساتھ کیا جاتا ہے جن میں IoT ٹیکنالوجی ایکسپو اور سائبرسیکیوریٹی اور کلاؤڈ ایکسپو شامل ہیں۔ مزید معلومات کے لیے یہاں کلک کریں۔

AI News آپ کے لیے TechForge Media لایا ہے۔ دیگر آنے والے انٹرپرائز ٹیکنالوجی ایونٹس اور ویبینرز کو یہاں دریافت کریں۔