جوجل تطلق Gemini 3.1 Flash TTS: نموذج صوتي قابل للتحكم يدعم الحوارات وأكثر من 70 لغة

طرحت جوجل نموذج Gemini 3.1 Flash TTS بنسخة معاينة، وهو نموذج جديد لتوليد الكلام لا يكتفي بقراءة النص، بل يراهن على إخراج صوتي يمكن التحكم فيه. أبرز ما يميّز هذا الإصدار أن المطوّر يستطيع تحديد النبرة والإيقاع واللهجة، بل وتبدّل العاطفة، مباشرة في موجّه نصي، بدلًا من البحث عن النتيجة المطلوبة عبر مجموعة من المعاملات الثابتة دون رؤية واضحة. يمثّل ذلك تحوّلًا ملحوظًا في سوق الذكاء الاصطناعي الصوتي: فتقنية text-to-speech تبدو بصورة أقل فأقل كصندوق أسود، وبصورة أكبر كأداة إخراج.

يجري طرح الإصدار حاليًا بوضع المعاينة (preview) للمطوّرين عبر Gemini API وGoogle AI Studio، وللعملاء من الشركات عبر Vertex AI، ولمستخدمي Workspace عبر Google Vids.

وبحسب بيانات جوجل، حصل Gemini 3.1 Flash TTS على 1211 نقطة Elo في تصنيف Artificial Analysis TTS، وهو تصنيف يستند إلى مقارنات عمياء يجريها المستخدمون لجودة الكلام. وتصف الشركة النموذج بأنه الأكثر طبيعية وتعبيرًا في سلسلة نماذج TTS التي تقدّمها. كما تشدّد جوجل على الجمع بين الجودة العالية والتكلفة المنخفضة نسبيًا، أي أن النموذج موجّه لا لسيناريوهات العرض التجريبي فقط، بل لحالات الاستخدام الواسعة في المنتجات.

الميزة الرئيسية في هذا التحديث هي audio tags، أي أوامر نصية مدمجة تتحكم في طريقة نطق العبارة. يستطيع المطوّر أن يصف المشهد، ويحدد للشخصية ملفًا صوتيًا، ويضيف توجيهات إخراجية بشأن النبرة والإيقاع، ثم يضبط جملًا بعينها، أو حتى أجزاء من الجملة الواحدة، عبر وسوم مضمّنة بين أقواس مربعة. وببساطة، يمكن للعبارة نفسها أن تُنطق بهدوء أو بانزعاج أو همسًا أو بتسارع، دون الانتقال إلى مسار معالجة آخر. وفي Google AI Studio أضيفت عناصر تحكم قابلة للضبط لهذا الغرض، ويمكن تصدير الإعدادات الجاهزة إلى شيفرة Gemini API للحفاظ على الصوت نفسه عبر المشاريع والمنصات.

التركيز الثاني هو النطاق العالمي. يدعم Gemini 3.1 Flash TTS أكثر من 70 لغة، ولا يكتفي بتحويل النص إلى صوت بشكل رسمي، بل يراعي الخصائص المحلية للكلام: اللهجات والفروق الدقيقة بين اللكنات وإيقاع الإلقاء. وهذا مهم بصورة خاصة لفرق المنتجات في سيناريوهات التعريب والدبلجة والمساعدات الصوتية والبودكاست والفيديوهات التعليمية والكتب الصوتية.

ومن الفروق اللافتة أيضًا وضع multi-speaker الأصلي. يستطيع النموذج توليد حوار بين متحدثين اثنين في طلب واحد، دون تقسيم المحادثة إلى استدعاءات API منفصلة. ويُفترض أن يمنح ذلك إيقاعًا أكثر طبيعية وتناسقًا بين الردود، مقارنةً بالأسلوب التقليدي الذي يُولَّد فيه كل صوت على حدة ثم تُلصق المقاطع من جهة التطبيق.

كما دمجت جوجل علامات SynthID المائية في كامل التدفق الصوتي المولَّد. لا يُفترض أن يلاحظها المستمع، لكنها تتيح التحقق بموثوقية من أن التسجيل أُنشئ بالذكاء الاصطناعي. ومع ارتفاع جودة الكلام الاصطناعي، لم يعد ذلك خيارًا إضافيًا بل عنصر أمان أساسيًا: فكلما كان الصوت أكثر إقناعًا، زادت أهمية القدرة على التحقق آليًا من مصدره.

لكن النموذج لا يزال في مرحلة المعاينة، وله قيود. تشير جوجل في وثائقها إلى أن TTS هنا لا يدعم البث (streaming)، وأن الردود الطويلة قد تفقد استقرارها وجودتها بعد بضع دقائق، وأن الخدمة تعيد في حالات نادرة رموزًا نصية بدل الصوت، ما قد ينتهي بالطلب إلى خطأ 500. وهناك ملاحظة تخص الموجّهات: إذا كانت التعليمات غامضة، فقد يرفض النموذج الطلب أو ينطق حرفيًا الملاحظات الإخراجية الخدمية.

والخلاصة بسيطة: تحاول جوجل تحويل تخليق الكلام من أداة API ضيقة إلى جزء من منصة Gemini متعددة الوسائط المتكاملة. ولا تكمن أهمية Gemini 3.1 Flash TTS في أن صوته أفضل من الإصدارات السابقة فحسب، بل في أنه يمنح المطوّر واجهة أوضح وأكثر قابلية للتحكم للعمل مع الصوت. وإذا سارعت الشركة إلى تحسين استقرار التوليدات الطويلة وحافظت على التوازن بين السعر والجودة، فأمامها فرص جيدة لترسيخ موقعها لا في طبقة البنية التحتية فحسب، بل أيضًا في المنتجات الصوتية الإبداعية، التي ظلّت خدمات TTS المتخصصة مهيمنة عليها حتى الآن.