Синтез на реч на български, но не и копие на гласа

24.09

време за четене: 4 мин.

На 23 септември Google пусна общодостъпно два нови модела за синтез на реч в своя програмен достъп и в средата за разработка. Българският е сред поддържаните езици и за двата, което само по себе си не е често срещано при продукти от този клас. Функцията, която пресъздава конкретен човешки глас, обаче не се предлага в Европейското икономическо пространство, тоест и у нас.

Жена с микрофон в малко звукозаписно студио сваля слушалките озадачена, докато робот до нея чете на глас от лист и звукът му излиза през високоговорителя вместо нейният

Какво е пуснато

Моделите за синтез на реч са два и са предназначени за различна работа. Gemini 3.8 Flash TTS е водещият, описван като предназначен за студийна вярност на гласа, нюансирана актьорска игра и регионални говори. Gemini 3.8 Flash-Lite TTS е бързият и евтиният, предвиден за озвучаване на голям обем, дублаж и гласови агенти, и заменя предишния предварителен вариант.

Числата от документацията са конкретни. Водещият модел поддържа 130 езика, а по-лекият 101, и българският присъства в списъка и на двата. Google съобщава за над 2000 готови за производство гласа, изведени от 30 оригинални. Компанията обявява и първо място за водещия модел в подреждането на Hume AI по проектиране на гласове с резултат 71,4, както и водеща позиция по възпроизвеждане на акцент с 60,8.

Новото не е самото четене на текст, а управлението. Гласът може да се проектира с описание на естествен език: роля, акцент, характер. Вторият начин е възпроизвеждане на съществуващ глас по кратък запис. Точно той е ограничен.

Къде спира синтез на реч за български потребител

Възпроизвеждането на глас иска два записа от един и същ възрастен говорител. Първият е чиста естествена реч от 10 до 30 секунди. Вторият е запис, в който същият човек изрича дословно определено изявление за съгласие, а системата проверява дали гласът в него съвпада с гласа в първия. Изявлението се приема само на 30 езикови локала и българският не е сред тях.

Ограничението по местоположение е по-съществено. Google посочва, че възпроизвеждането на глас не се предлага в Илинойс, Тексас, Европейското икономическо пространство, Обединеното кралство, Швейцария и Индия. България, като част от Европейското икономическо пространство, не е налична тук, независимо от езика.

Останалото работи. Четенето на текст на български с готов или проектиран глас не попада под това ограничение, както и управлението на тона и темпото ред по ред.

Защо границата минава по право, а не по технология

Подборът на изключените места е показателен. Илинойс и Тексас имат закони за биометричните данни, които третират гласовия отпечатък като биометричен идентификатор. Европейското икономическо пространство, Обединеното кралство и Швейцария имат собствени режими за защита на личните данни. Тоест списъкът не описва къде моделът се справя по-зле, а къде правният риск за доставчика е по-висок.

Това е полезно наблюдение извън конкретния продукт. Когато функция липсва само в Европа, първо се проверява правната ѝ страна, а не техническата. Записаното съгласие, проверката за съвпадение на говорителя, водният знак SynthID и придружаващите данни за произход по стандарта C2PA са точно мерките, с които доставчикът се опитва да покрие този риск другаде.

Нашият анализ и какво може да се направи

Нашият екип счита, че за български образователен и маркетингов екип практическата сметка се променя малко, но в добра посока. Озвучаването на курс, подкаст или реклама на български с готов глас става достъпно без студио. Пресъздаването на гласа на конкретен лектор остава недостъпно и няма обявен срок, в който да се промени.

Втората проверка е по цената и си струва да се направи преди планирането. Обявените стойности в ценовата страница на програмния достъп са срочни: за водещия модел изходът е 9 долара за милион аудио символа до 31 декември 2026 г. и 18 долара от 1 януари 2027 г., а за по-лекия съответно 6 и 12 долара. Аудио символите се броят по 25 на секунда звук, тоест милион символа са около единайсет часа готова реч. Проект, чийто бюджет се прави днес за следващата година, трябва да смята с горните стойности.

Заключение

Български глас от машина вече е въпрос на няколко реда код, а не на студио. Копието на конкретен човешки глас остава отвъд граница, която е начертана от правото, а не от модела, и това е границата, която си заслужава да се следи.

Помагаме на български образователни и маркетингови екипи да преценят кои функции на такива модели са налични у нас и кои не са, преди да се планира продукция. Услугите ни покриват одит, оценка на готовност, обучение на екипи и имплементация на специализирани AI автоматизации за всяка организация. Препоръчваме консултация при въвеждане на машинно озвучаване в курсове и рекламни материали. [Свържете се с нас за консултация: academy@razvivai.se]