Am 23. September hat Google zwei Modelle zur Sprachsynthese vorgestellt, die versprechen, eine Stimme Zeile für Zeile zu entwerfen und zu führen. Für eine Maison wird eine Stimme zu einem redaktionellen Vermögenswert, dessen Referenz, zulässige Verwendungen und Historie festgelegt werden müssen.
Was Google ankündigt
Gemini 3.8 Flash TTS zielt auf die kreative Regie: eine Stimme anhand einer Beschreibung (Rolle, Akzent, Charakter) in mehr als hundert Sprachen und Dialekten zu entwerfen und dann jede Replik mit Hinweisen zu Spiel, Rhythmus und Ton zu führen. Gemini 3.8 Flash-Lite TTS zielt auf Volumen, insbesondere Synchronisation und Sprachagenten. Google nennt mehr als 2.000 gebrauchsfertige Stimmen, die Möglichkeit, erstellte Stimmen zu speichern, um das Abdriften von einem Projekt zum nächsten zu begrenzen, sowie eine ununterbrochene Dauer von mehreren Stunden bei stabilem Timbre. Die Nachbearbeitung einer Stimme aus der Bibliothek (Timbre, Tonhöhe, Akzent) wird als kommend angekündigt.
Das Unternehmen beansprucht zudem den ersten Platz im Ranking für Stimmdesign von Hume AI, mit 71,4 Punkten. Die Ankündigung erläutert die Methode in ihrem Text nicht, daher bleibt die Zahl ein Wert des Anbieters.
Eine geführte Stimme braucht eine Referenz
Eine Stimme zu führen verlagert einen Teil der Arbeit in die redaktionelle Leitung. Man muss sagen können, was eine Stimme stimmig macht: die Art, den Namen einer Maison auszusprechen, eine Zurückhaltung, eine Pause vor einem Satz. Adjektive reichen dafür kaum aus. Besser sind freigegebene, angehörte und kommentierte Ausschnitte, mit demselben Text als Orientierung zwischen Versionen und Sprachen sowie einem menschlichen Hörcheck in jeder Sprache für Eigennamen, Verständlichkeit und Absicht. Ein schriftlich korrekter Satz kann schlecht gesprochen klingen.
Zulässige Verwendungen: Die Karte ist ungleich
Für die Replikation verlangt Google die Aufzeichnung einer mündlichen Einwilligung der Person, deren Stimme reproduziert wird, die zur Referenzprobe passen muss. Dreißig Sekunden Audio genügen, von der Stimme des Nutzers oder einer Stimme, an der er die Rechte besitzt. Jeder Ausschnitt trägt das SynthID-Wasserzeichen, und C2PA-Bescheinigungen begleiten replizierte Stimmen, laut Google.
Diese Signale belegen die Herkunft einer Datei, nicht den Umfang der Zustimmung. Eine erschaffene Stimme, eine replizierte Stimme und eine Bibliotheksstimme erfordern unterschiedliche Genehmigungen, und jede sollte mit ihren vereinbarten Verwendungen festgehalten werden.
Bleibt die Geografie. Google stellt klar, dass die Replikation über sein Entwicklerwerkzeug im Europäischen Wirtschaftsraum, zu dem Frankreich gehört, ebenso wenig angeboten wird wie im Vereinigten Königreich, in der Schweiz oder in Indien. Diese Grenze verändert die Überlegung einer französischen Maison noch vor der Frage der Qualität. Der Zugang für Unternehmen über Gemini Enterprise wird seinerseits für später angekündigt.
Jede Version wiederfinden
Google verspricht „gespeicherte und verwaltete“ Stimmen. Nichts in der Ankündigung beschreibt eine Historie: Wird die frühere Version einer Stimme nach einer Änderung aufbewahrt, lässt sie sich wiederherstellen, weiß man, welche Datei mit welcher erzeugt wurde? Die Leichtigkeit der Erzeugung vervielfacht diese Entscheidungen. Jede Anpassung erzeugt eine Variante, die sich später verorten lassen muss.
Eine Maison könnte ein einfaches Register führen: für jede Stimme ihren Typ, ihre Bezugsperson, die vereinbarten Verwendungen, das Datum jeder Version und die Bedingungen für das Ausmustern einer alten. Dieses Register, geführt von der Person, die entscheidet, macht die Stimme zur Stimme einer Maison.
Cette publication est également disponible en :
